CNN中的卷积的作用及原理通俗理解 |
您所在的位置:网站首页 › 卷积和池化的作用 › CNN中的卷积的作用及原理通俗理解 |
文章目录
一、卷积有什么用?二、卷积是怎么提取特征的?
一、卷积有什么用?
卷积作用是为了进行特征提取 因为输入的信息中可能只有一小部分是对我们解决问题有帮助的,这些信息比较关键,这时候只提取这部分信息就可以了。 比如下面我们有以下图片数据,我们现在的任务是对衣服的款式进行判断,判断它是上衣还是裤子,或者是裙子 提取特征,也就是只保留我们想要的信息,去除不需要的信息,相当于电路中的滤波器。 我第一次知道卷积这个名词是大学课程《信号与系统》中来的,这里我们需要了解有关卷积的知识只需要以下3条就行了: 时域的卷积操作等于频域的相乘傅里叶变换可以将信号从时域变换到频域变换的实质就是将时域信号映射到一组两两正交的n维空间上数学中卷积的定义: 连续: ( f ∗ g ) ( n ) = ∫ − ∞ ∞ f ( τ ) g ( n − τ ) d τ (f*g)(n)=\int_{-\infty}^\infty{f(\tau)g(n-\tau)d\tau} (f∗g)(n)=∫−∞∞f(τ)g(n−τ)dτ 离散: ( f ∗ g ) ( n ) = ∑ τ = − ∞ ∞ f ( τ ) g ( n − τ ) d τ (f*g)(n)=\sum_{\tau=-\infty}^\infty{f(\tau)g(n-\tau)d\tau} (f∗g)(n)=∑τ=−∞∞f(τ)g(n−τ)dτ 连续信号的卷积运算因为需要积分,所以计算量比较大,因此可以通过傅里叶变换后转到频域,直接相乘,然后再逆傅里叶变换回去就完成卷积计算了。虽然离散信号因为是累加,计算量并不大,不需要傅里变换,但是从频域分析会更好理解卷积进行特征提取的原理,所以我们下面对离散信号也做傅里叶变换: 比如我们有一个原始信号
f
{f}
f 卷积核
g
{g}
g ,
f
{f}
f 就相当于图片的像素组成的矩阵,
g
{g}
g 就是卷积核,也是一个矩阵。 为了描述简单,我们现在把
f
{f}
f 和
g
{g}
g 都看作向量 现在我们有一个两两正交的三维空间 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |