CNN中各种卷积核

一、卷积概念

通俗易懂的说，就是，输出 = 输入 * 系统。

对于图像处理来说，用一个模板和一幅图像进行卷积，对于图像上的一个点，让模板的原点和该点重合，然后模板上的点和图像上对应的点相乘，然后各点的积相加，就得到该点的卷积值。对图像上的每个点都这样处理。由于多数模板都对称，所以模板不旋转。

卷积是一种积分运算，用来求两个曲线重叠区域面积。可以看作加权求和，可以用来消除噪声、特征增强。 把一个点的像素值用它周围的点的像素值的加权平均代替。
 

二、CNN中的一些卷积

1：普通卷积：没啥好说的，比较大众的一种卷积。

其有两个缺点：

• 一是使用局部操作，不能直接得到比较大的范围甚至图像全局的特征，且卷积核是固定的形状如3x3大小，对物体的形状、姿态变化缺少适应性。
• 二是当特征的通道数量大了以后，卷积核的参数也变得庞大，会增加许多运算开销。

Feature Map尺寸计算公式：

假设输入  ,卷积操作后输出  ，计算公式为