卷积网络提取图像特征

参考：

https://www.jianshu.com/p/362b637e2242

https://blog.csdn.net/electech6/article/details/84584791

CNN由多个卷积层构成，每个卷积层包含多个卷积核，用这些卷积核从左向右、从上往下依次扫描整个图像，得到称为特征图（feature map）的输出数据。

网络前面的卷积层捕捉图像局部、细节信息，有小的感受野，即输出图像的每个像素只利用输入图像很小的一个范围。

后面的卷积层感受野逐层加大，用于捕获图像更复杂，更抽象的信息。经过多个卷积层的运算，最后得到图像在各个不同尺度的抽象表示

每个过滤器都会提取一种特定的特征

 

对卷积层功能的理解

• 一般认为图像的空间联系是局部的像素联系比较密切，而距离较远的像素相关性较弱，因此，每个神经元没必要对全局图像进行感知，只要对局部进行感知，
• 然后在更高层将局部的信息综合起来得到全局信息。
• 给定一张输入图片，用一个卷积核去扫这张图，卷积核里面的数就叫权重，这张图每个位置是被同样的卷积核扫的，所以权重是一样的，这也就是权值共享。
• 如权值共享的部分所说我们用一个卷积核操作只能得到一种特征可能获取不到全部特征，这么一来我们就引入了多核卷积。用不同的卷积核来学习不同的特征（每个卷积核学习到不同的权重）来提取原图特征。需要注意的是，在多核卷积的过程中每个卷积核的大小应该是相同的。