卷积神经网络与下采样？

Question

在阅读完这个主题后，我并不完全明白：＆＃39;卷积＆＃39;在神经网络中，可与简单的下采样或“锐化”相媲美。功能？

你能否将这个术语分解成一个简单易懂的图像/类比？

编辑：第一个回答后的改写：可以将汇总理解为权重矩阵的下采样吗？

Answer 1

卷积神经网络是一系列模型，经验证明在图像识别方面效果很好。从这个角度来看 - CNN 与下采样完全不同。

但是在 CNN 设计中使用的框架中，有一些与下采样技术相当的东西。要完全理解这一点 - 您必须了解 CNN 通常如何运作。它由层次数的层构建，每层都有一组可训练的内核，其输出的维度与输入图像的空间大小非常相似。

这可能是一个严重的问题 - 此类图层的输出可能非常大（~ nr_of_kernels * size_of_kernel_output），这可能会使您的计算难以处理。这就是为什么使用某些技术来减小输出大小的原因：

1. 步幅，打击垫和内核大小操作：将这些值设置为某个值，您可以减小输出的大小（另一方面 - 您可能会丢失一些重要信息）。< / LI>
2. 池操作：池化是一种操作，在该操作中，您可能只传递有关它的特定聚合统计信息，而不是从层中输出所有内核的所有输出。它被认为是非常有用的，并广泛用于 CNN 设计。

有关详细说明，您可以访问此tutorial。

编辑：是的，合并是一种下采样