neural-network - 深层如何从卷积网络中的前一层特征映射中学习

Question

我读了很多关于 convnets 的文章，但我仍然错过了一个重要的部分。

假设我们有一个带有 32 个过滤器的 conv2D 层：

我知道这些过滤器的权重在开始时是随机初始化的，并且在训练过程中这些过滤器是形成的。所以在第一层他们开始检测边缘。

现在在池化之后，我们有另一个卷积层（让我们再次说 32 个过滤器），它将对前一层的结果应用过滤器。

因此，第 2 层将对来自第一层的这 32 个输出中的任何一个应用 32 个过滤器。 我看到了很多这些特征图的例子：第一层产生边缘图片，下一层图片是形状、耳朵、鼻子等。我的问题是这怎么可能？

如果第 2 层对第 1 层结果应用过滤器，而第 1 层结果是边，那么如何从边获取表单？

我显然在这里遗漏了一些东西，请帮助我理解 conv 网络中的每个下一层如何产生更丰富的特征，如表格、眼睛、面部，以防它使用前一层的生产，其中特征只是线条和边缘？

在我丢失的过程中是否有一些信息合并或更多？

提前致谢

score 2 · Accepted Answer

简单示例：假设您尝试区分简单的几何形式。例如，由钻石制成的矩形。

在第一层，您有各种边缘检测器。有些在检测到水平边缘时触发，有些在检测到垂直边缘时触发，有些在看到对角边缘时触发。

第二层现在可以将这些输入组合成更复杂的形状。因此，如果在第一层检测到垂直和水平边缘，则会触发一个过滤器/检测器。这是矩形的过滤器。

当第一层告诉它检测到对角线边缘时，另一个过滤器将被触发。这是钻石的过滤器。

您可能会让自己熟悉卷积层的输入和输出维度。

Input = W1xW1xD1

Output:
W2 = (W1 - F + 2P)/S + 1
D2 = K

Terminology: K = Number of Filters, F= Spatial Size of Filter, P=ZeroPadding, S=Stride

您可能会发现这很有帮助：

1 回答 1