CNN：low-level feature 和 high level feature 的理解

通常卷积神经网络中都会使用这两种类型的features: 卷积神经网络的前几层学习low level feature,后几层学习的是high level feature

文章目录

一、low-level feature
二、high level feature
三、low-level feature和high-level feature 的特点

一、low-level feature

Low-level feature：通常是指图像中的一些小的细节信息，例如边缘（edge),角(corner),颜色(color),像素(pixeles), 梯度(gradients)等，这些信息可以通过滤波器、SIFT或HOG获取

比如右图是通过下面的 3x3 的 Sobel 边缘检测算子（就是个滤波器）

右边的边缘的图可以认为是 low-level feature ，因为只是一些表面，表观的信息，比如纹理、边缘有兴趣的可以把训练的浅层的 cnn 权重拿出来可视化一下。

二、high level feature

high-level feature:是建立在low level feature之上的,可以用于图像中目标或物体形状的识别和检测,具有更丰富的语义信息

high-level feature 常被人称为是高级的语义信息，他的感觉就像通过环境信息纹理信息，等等一些信息综合得出来的一个信息，然后分类or检测的时候在使用它去进行判断。

三、low-level feature和high-level feature 的特点

low-level feature 它是怎么来的？
它是原图通过很浅的几层卷积得到的输出，这里提一个感受野（不知道感受野看第三点），浅层的特征他的感受野较小，例如：他只从5x5的区域提取一个边缘信息。 high-level feature 他的感受野大，他可以从100x100的区域总结一个语义信息。

上图是语义分割一个操作来分析有没有low-level 所带来的影响，做法是一个网络label 就是右边的GT，当只使用high-level的特征做预测的时候他可以得到大体的目标的状态，一个很宏观的角度。当引入low-level的特征就会弥补很多细节信息。
其实low-level high-level 其实也要分任务的，不同任务理解也不太一样。