卷积神经网络 卷积的概念
文章目录
- 1 卷积的定义
- 2 图像像素卷积的计算（矩阵）
- 3 为何要使用卷积，有什么用？
- 举例说明，为何要翻转（卷）？
- 图像处理卷积有没有必要翻转
- 4 不同类型处理对应的矩阵类型示例
- 5 图像卷积是否有快捷计算工具
1 卷积的定义
共同特征：
2 图像像素卷积的计算（矩阵）
f * g：
若：
它这样做其实就是把像素点a(1,1)与其四周的像素作平均了，消除差异性，使衔接更加平滑
但是相乘时，为何要沿矩阵中心点对称相乘我就不懂了？？
然后有人回答：
不太懂，有待测试，，，
3 为何要使用卷积，有什么用？
对卷积的意义的理解：
从“积”的过程可以看到，我们得到的叠加值，是个全局的概念。以信号分析为例，卷积的结果是不仅跟当前时刻输入信号的响应值有关，也跟过去所有时刻输入信号的响应都有关系，考虑了对过去的所有输入的效果的累积。在图像处理的中，卷积处理的结果，其实就是把每个像素周边的，甚至是整个图像的像素都考虑进来，对当前像素进行某种加权处理。所以说，“积”是全局概念，或者说是一种“混合”，把两个函数在时间或者空间上进行混合。
那为什么要进行“卷”？直接相乘不好吗？我的理解，进行“卷”（翻转）的目的其实是施加一种约束，它指定了在“积”的时候以什么为参照。在信号分析的场景，它指定了在哪个特定时间点的前后进行“积”，在空间分析的场景，它指定了在哪个位置的周边进行累积处理。
（对呀，为啥要进行卷，直接相乘不好吗？？）
举例说明，为何要翻转（卷）？
例1：信号分析如下图所示，输入信号是 f(t) ，是随时间变化的。系统响应函数是 g(t) ，图中的响应函数是随时间指数下降的，它的物理意义是说：如果在 t=0 的时刻有一个输入，那么随着时间的流逝，这个输入将不断衰减。换言之，到了 t=T时刻，原来在 t=0 时刻的输入f(0)的值将衰减为f(0)g(T)。
考虑到信号是连续输入的，也就是说，每个时刻都有新的信号进来，所以，最终输出的是所有之前输入信号的累积效果。如下图所示，在T=10时刻，输出结果跟图中带标记的区域整体有关。其中，f(10)因为是刚输入的，所以其输出结果应该是f(10)g(0)，而时刻t=9的输入f(9)，只经过了1个时间单位的衰减，所以产生的输出应该是 f(9)g(1)，如此类推，即图中虚线所描述的关系。这些对应点相乘然后累加，就是T=10时刻的输出信号值，这个结果也是f和g两个函数在T=10时刻的卷积值。
显然，上面的对应关系看上去比较难看，是拧着的，所以，我们把g函数对折一下，变成了g(-t)，这样就好看一些了。看到了吗？这就是为什么卷积要“卷”，要翻转的原因，这是从它的物理意义中给出的。
上图虽然没有拧着，已经顺过来了，但看上去还有点错位，所以再进一步平移T个单位，就是下图。它就是本文开始给出的卷积定义的一种图形的表述：
所以，在以上计算T时刻的卷积时，要维持的约束就是： t+ (T-t) = T 。这种约束的意义，大家可以自己体会。
图像处理卷积有没有必要翻转
貌似没必要，直接相乘求矩阵内积即可
4 不同类型处理对应的矩阵类型示例
比如说，如下图像处理矩阵将使得图像变得更为平滑，显得更模糊，因为它联合周边像素进行了平均处理：
而如下图像处理矩阵将使得像素值变化明显的地方更为明显，强化边缘，而变化平缓的地方没有影响，达到提取边缘的目的：
5 图像卷积是否有快捷计算工具
参考文章1：如何通俗易懂地解释卷积？ - 马同学的回答 - 知乎
参考文章2：如何通俗易懂地解释卷积？ - palet的回答 - 知乎
卷积神经网络 卷积的概念相关推荐
- 卷积神经网络---卷积层、激励层、池化层以及全连接层
文章目录 概述 卷积神经网络 局部连接+权值共享** 输入层 卷积层 激励层 池化层 全连接层 参考资料 概述 这两天在看论文,涉及到卷积神经网络的知识,之前一直对这块迷迷糊糊.看到了一篇博文写的很好 ...
- 神经网络 卷积神经网络,卷积神经网络 吴恩达
吴恩达的人物经历 吴恩达1976年出生于伦敦,父亲是一位香港医生,英文名叫AndrewNg,吴恩达年轻时候在香港和新加坡度过. 1992年吴恩达就读新加坡莱佛士书院,并于1997年获得了卡内基梅隆大学 ...
- 【卷积神经网络--卷积/池化后特征图大小计算公式】
[卷积神经网络–卷积/池化后特征图大小计算公式] 参考链接: 卷积神经网络系列之卷积/池化后特征图大小怎么计算?? torch中的Conv2d卷积的输入的Tensor张量是:[batch, chann ...
- 卷积神经网络权重是什么,卷积神经网络卷积过程
卷积神经网络算法是什么? 一维构筑.二维构筑.全卷积构筑. 卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedfor ...
- 卷积网络和卷积神经网络,卷积神经网络三大特点
前馈神经网络.BP神经网络.卷积神经网络的区别与联系 一.计算方法不同1.前馈神经网络:一种最简单的神经网络,各神经元分层排列.每个神经元只与前一层的神经元相连.接收前一层的输出,并输出给下一层．各层 ...
- 医学图像处理医学图像处理-卷积神经网络卷积神经网络_典型的深度学习算法（一）：卷积神经网络（CNN）...
通过上一篇文章,相信大家对深度学习的概念.原理已经有了大致了解,近期企通查将会对深度学习中的几种典型算法进行介绍. 在深度学习领域中,已经验证的典型成熟算法有卷积神经网络(CNN).循环神经网络(RN ...
- 刘雪峰卷积神经网络,卷积神经网络讲解
1.卷积神经网络通俗理解 卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Ne ...
- 卷积神经网络(卷积层，激活函数Relu,池化层，计算公式及API解释)
1. 卷积神经网络 (卷积层,激活函数,池化层,全连接层) (1) 把神经网络的隐藏层分为卷积层和池化层(又叫下采样层) · 卷积层 : 通过在原始图像上平移来提取特征 · 池化层 : 通过特征 ...
- 卷积神经网络——卷积神经网络基础
背景:计算机视觉是一个包含很广泛的领域,包含了日常生活中所有可视化的1维,2维,3维数据,例如心跳脉冲的检测(1维),目标检测.人脸识别(2维),3维场景重建.虚拟现实(3维)等,但是处理这些数据时往 ...
- 卷积神经网络 ——卷积神经网络的结构
卷积神经网络的基本思想 卷积神经网络的基本结构 卷积神经网络是一种多层的.前馈型网络.从结构上,可以分为特征提取阶段和分类识别阶段. 在特征提取阶段,通常由多个特征层堆叠而成,每个特征层又由卷积层和池 ...
最新文章
- idea远程debug调试阿里云ECS
- 蓝牙 GameKit
- (原創) 如何讀取/寫入文字檔? (IC Design) (Verilog)
- git-文本内容的回退-缓冲区退到工作区-工作区改动后改为改动前
- hibernate 多对多操作（级联操作）
- 情人节程序员用HTML网页表白【生日祝福】 HTML5生日祝福网页源码 HTML+CSS+JavaScript
- 遗传算法matlab_当结构设计遇到遗传算法应用ANSYS和MATLAB联合优化设计探索（二）...
- css 图片放大1.2倍,什么是二倍图？怎样使用二倍图？
- Kinect：少年你步履蹒跚是不是没睡好
- 基于Spring Boot的健身房管理系统设计与实现
- 打开WORD文档出错提示
- android恢复出厂设置流程
- Linux桌面GUI系统的调度器应该怎么做才不卡顿呢？
- ★「C++游戏」BattleOfPhantom：大乱斗游戏升级版
- 腾讯 X5 不能加载内核
- 【专业知识问答】问：什么叫突然短路？为什么突然短路时会产生很大短路电流？
- 电脑公司GHOSTXP_SP3特别版V2012.02
- 如何选择合适的电烙铁
- android电商练手项目,非常棒的练手开源电商项目
- 常用的重试技术—如何优雅的重试（Spring-Retry）等