卷積神經網路 1*1 卷積核
阿新 • • 發佈：2019-01-26
卷積神經網路中卷積核的作用是提取影象更高維的特徵，一個卷積核代表一種特徵提取方式，對應產生一個特徵圖，卷積核的尺寸對應感受野的大小。
1. 一般情況下，使用n*n大小的卷積核對大小為N*N的影象卷積，結果影象尺寸縮小為（N-n+1），這種卷積操作的都是影象上真實的畫素，不需要對影象進行擴充，也叫有效補白（Valid Padding）
在相同補白（Same Padding）模式下，需要補充的畫素大小是N-（N-n+1）= n-1個，這裡的n表示的是卷積核大小，如果n為奇數，則n-1為偶數，補得這n-1個畫素可以在影象兩側對稱分佈，如果使用偶數的卷積核，n-1為奇數，無法在影象兩側對稱分佈。
經典的卷積示意圖如下：
5*5的影象使用3*3的卷積核進行卷積，結果產生3*3（5-3+1）的特徵影象。
卷積核的大小一般是（2n+1）*(2n+1)的奇數乘奇數大小（n>=1），最常用的有3*3,5*5,7*7的。之所有使用奇數*奇數而不是偶數*偶數大小的，主要原因有兩點：1. 一般情況下，使用n*n大小的卷積核對大小為N*N的影象卷積，結果影象尺寸縮小為（N-n+1），這種卷積操作的都是影象上真實的畫素，不需要對影象進行擴充，也叫有效補白（Valid Padding）
另一種補白方式是相同補白（Same Padding），在卷積核對影象執行相同補白（Same Padding）卷積時，要求卷積後圖像大小跟原影象大小保持一致，這就需要提前給原影象做Padding（補白）操作，即給影象增加額外的空白，增大影象尺寸使得卷積後大小為原影象大小，Padding操作示意圖如下：
在相同補白（Same Padding）模式下，需要補充的畫素大小是N-（N-n+1）= n-1個，這裡的n表示的是卷積核大小，如果n為奇數，則n-1為偶數，補得這n-1個畫素可以在影象兩側對稱分佈，如果使用偶數的卷積核，n-1為奇數，無法在影象兩側對稱分佈。
2. 奇數卷積核有中心點，可以方便的確定位置，而偶數的卷積核不存在絕對的中心點 。
1*1 卷積核
在殘差網路的Bootleneck殘差模組和GoogleNet的Inception模組裡出現了1*1的卷積核：
與（2n+1）*（2n+1）的卷積核提取影象特徵順便降低影象尺寸不同，1*1的卷積核的作用是提升或者降低特徵（個數）的維度，而不改變影象的寬高。這裡的維度是指影象的通道數（厚度，如RGB影象的通道數是3， 10個單通道的特徵圖一起組成通道數是10）。
例如經過某次卷積後，得到W*H*10的特徵圖，這裡通道數是10，如果需要降維成W*H*6，即把10個特徵圖減少到6個。這就需要使用6組，每組10個的1*1的卷積核來實現。10個1*1的卷積核和上一層W*H*10的特徵圖卷積，得到一個W*H*1的特徵圖，使用6組這樣的1*1卷積核，就可以得到W*H*6維度的特徵圖同理，使用1*1卷積核也可以實現特徵圖升維。
從影象處理的角度看1*1的卷積操作，可以把它理解成是把N個影象按N個不同的係數融合的操作，需要多少個特徵圖就融合多少次。