卷积

卷积如何工作

想象一下，在一幅较大的图像（输入）上滑动一个小放大镜（内核）。在每个位置，放大镜都会聚焦于图像的一小块区域。卷积操作使用内核定义的权重计算出该小块内像素值的加权和。计算出的单个值将成为输出特征图中的一个像素。内核系统地在整个输入图像上逐步滑动（由一个称为 "步长 "的参数定义），从而创建一个完整的特征图。不同的内核用于检测不同的特征；例如，一个内核可能检测水平边缘，而另一个内核则检测角落。通过在单层中使用多个内核，CNN 可以从输入中提取丰富的特征。您可以在斯坦福 CS231n 课程笔记等资源中探索有关这一过程的可视化解释。

卷积的关键组成部分

• 输入数据：通常是多通道图像（如 RGB 通道）或上一层的输出特征图。
• 内核（滤波器）：定义待检测特征的小型权重矩阵。这些权重是在模型训练过程中学习的。
• 特征图：卷积操作的输出结果，表示检测到的特征的存在和空间位置。
• 步长内核每一步在输入上移动的像素数。
• 填充在输入图像的边界周围添加像素（通常为零），以控制输出特征图的空间尺寸。

卷积的应用

卷积层在许多现代人工智能应用中都是必不可少的：

卷积与相关概念

卷积通常与神经网络中的其他操作和概念一起使用：

• 池化：在卷积提取特征的同时，池化层（如最大池化或平均池化）会降低特征图的空间维度（降采样）。这有助于减少计算负荷，并使特征表示对微小的空间变化更加稳健。池化可以总结区域内的特征，而卷积则可以提取特征。更多详情，请参阅CNN 中池化层的相关资料。
• 特征提取：这是一个更宽泛的术语，指的是将原始数据转化为可用于机器学习的数字特征的过程。卷积是从网格状数据中自动提取特征的一种特殊而高效的技术，尤其适用于 CNN。
• 全连接层：卷积层在局部应用核并共享权重，而全连接层则不同，它将上一层的每个神经元与当前层的每个神经元连接起来。它们通常出现在 CNN 架构的末端，根据卷积层和池化层提取的高级特征执行分类或回归。了解有关神经网络 (NN) 基础知识的更多信息。

了解卷积是掌握许多先进人工智能模型（包括Ultralytics HUB 提供的模型）如何解释视觉信息的关键。像 PyTorch和 TensorFlow等框架提供了卷积操作的高效实现。OpenCV等库也将卷积用于模糊和锐化等传统图像处理任务。