卷积公式 卷积公式的使用条件( 二 )



卷积:卷积运算与互相关运算非常相似,但有细微的区别 。在卷积运算中,首先将核翻转180度 , 然后应用于图像 。卷积的基本性质是将一个核与一个离散的单位脉冲进行卷积,在脉冲的位置上得到一个核的拷贝 。
我们在互相关部分看到,一个互相关操作产生一个脉冲的拷贝,但是旋转了180度 。因此,如果我们预先旋转滤波器并执行相同的乘积滑动和运算,我们应该能够得到期望的结果 。

数学公式:利用核函数F对图像I进行的卷积运算由一维的公式给出 。卷积就像相关一样,只是我们在互相关之前先把滤波器翻转一下

在二维卷积的情况下 , 我们水平和垂直翻转滤波器 。这可以写成:

卷积运算同样遵循平移不变性和局部性的性质 。

注意:尽管这两个操作稍有不同,但是所使用的核是否对称并不重要 。
结论:【卷积公式 卷积公式的使用条件】在这篇文章中,我们简要讨论了卷积神经网络的历史和一些特性 。我们讨论了卷积这个错误的说法,即在各种文本中经常提到的卷积运算其实是互相关运算 。这种差别很细微,但却很有用,每个进入、练习或经验丰富的计算机视觉领域的人都应该知道 。
引用Deep Learning book by Ian Goodfellow and Yoshua Bengio and Aaron Courville.Digital Image Processing by Rafael C. Gonzalez.Dive into Deep Learning by Aston Zhang, Zack C. Lipton, Mu Li and Alex J. Smola.Correlation and Convolution by David Jacobs.Figure 9 taken from https://towardsdatascience.com/applied-deep-learning-part-4-convolutional-neural-networks-584bc134c1e2.https://spatial-lang.org/convThe meme is taken from 7. https://www.mihaileric.com/posts/convolutional-neural-networks/.

推荐阅读