1.原理 對於1*1的卷積核來說,實際上就是實現不同通道數據之間的計算,由於卷積窗口為1*1,那么他不會對同一通道上相鄰的數據進行改變,而是將不同通道之間的數據進行相加. 輸入和輸出具有相同的高和寬。輸出中的每個元素來自輸入中在高和寬上相同位置的元素在不同通道之間的按權重累加 ...

以一張圖片作為開始吧： 這里的輸入數據是大小為(8×8)的彩色圖片，其中每一個都稱之為一個feature map，這里共有3個。所以如果是灰度圖，則只有一個feature map。 進行卷積操作時，需要指定卷積核的大小，圖中卷積核的大小為3，多出來的一維3不需要在代碼中指定，它會 ...

每個卷積核具有長、寬、深三個維度。 卷積核的長、寬都是人為指定的，長X寬也被稱為卷積核的尺寸，常用的尺寸為3X3，5X5等；卷積核的深度與當前圖像的深度（feather map的張數）相同，所以指定卷積核時，只需指定其長和寬兩個參數。 例如，在原始圖像層 （輸入層），如果圖像是灰度圖像 ...

濾波器的大小選擇 大部分卷積神經網絡都會采用逐層遞增（1⇒ 3 ⇒ 5 ⇒ 7）的方式。 每經過一次池化層，卷積層過濾器的深度都會乘以 2； 卷積神經網絡中卷積核越小越好嗎？ 多個小的卷積核疊加使用要遠比一個大的卷積核單獨使用效果要好的多，在連通性不變的情況下，大大降低了參數 ...

第一次接觸的時候，已經理解了，但是過了一段時間，就有點忘了下面這兩篇文章，不錯！可以幫助回憶與理解。 https://blog.csdn.net/zyqdragon/article/details/ ...

在卷積神經網絡中，感受野的定義是 卷積神經網絡每一層輸出的特征圖（feature map）上的像素點在原始圖像上映射的區域大小。 原始輸入為5*5大小，使用一個5*5大小的核，處理它，得到的結果為1*1大小， 卷積核參數為25。 原始輸入是5*5大小，使用兩次3*3大小的核，處理它，得到 ...

轉自： https://www.cnblogs.com/hellcat/p/9687624.html 目錄 一、空洞卷積的提出 二、空洞卷積原理 三、空洞卷積問題 感受野跳躍 小尺度物體檢測 四、網絡設計研究 ...

感受野：對於第一次卷積，如果卷積核是3*3，那么卷積的感受野就是3*3，如果在此卷積上，再進行一次卷積的話，那么這次的卷積的感受野就是5*5 因為5*5的區域，卷積核為3*3， 卷積后每一個點的感受野是3*3，卷積后的區域為3*3 第二次卷積還用用3*3的卷積的話，第二次卷積的結果就變成 ...