计算机视觉中的卷积是什么
简介
在机器学习中，计算机视觉是一个利用和分析图像数据集来执行与其相关的多项复杂任务的领域。在这里，人们使用不同的算法和技术来处理和分析图像，以便利用数据并训练高性能模型。
卷积是一个非常重要的术语或现象，它以卷积神经网络的形式出现，而卷积神经网络是机器学习中用于处理图像数据集的最著名技术。在本文中，我们将讨论卷积、什么是卷积运算以及与之相关的其他重要内容。
在直接讨论卷积之前，我们先来讨论一下计算机视觉。
什么是计算机视觉?
在深度学习中，计算机视觉是一个涉及各种复杂算法和技术的分支，这些算法和技术用于加载、处理、预处理和分析图像数据集，用于训练最终模型。计算机视觉涉及多个著名任务，例如目标检测、图像分割、人脸识别等。
对于计算机视觉，使用卷积神经网络，这是一种处理图像数据集的神经网络。它能够接受图像作为输入，加载图像，进行预处理，并应用不同的技术从中提取信息。
卷积神经网络与人工神经网络基本相同;在这里，"人工"一词被"卷积"所取代，这直接意味着这些技术中涉及到卷积或卷积运算。
现在让我们讨论一下计算机视觉中的卷积运算。
卷积运算
众所周知，在机器学习和深度学习中，数据的质量和数量是影响模型性能的最重要参数之一。因此，为了实现高性能和可靠的模型，数据的质量和数量应该保持良好。
虽然我们拥有了大量的高质量数据，但事情并没有结束;最重要的是从数据中获取有用的信息，以便模型能够感知这些信息。为此，我们应用了各种数据清理和预处理技术，这些技术可以清理和预处理数据，并从数据中提取各种信息和特征。
与图像数据集相比，从普通文本或数字数据中提取特征或信息非常容易。对于图像数据集，我们会应用不同的滤波器和其他参数来预处理和分析图像。让我们来讨论一下卷积运算在神经网络中是如何进行的。
卷积运算是如何执行的?
在计算机视觉领域，我们知道卷积运算主要用于特征提取，这有助于从图像数据集中获取有用的信息。执行卷积运算时的主要参数是用于创建图像特征图的核或滤波器。
假设我们有一张图像作为输入，并且我们想要用它训练一个模型。现在，这幅图像首先被传递到输入层。经过输入层后，图像将进入第一个卷积层或第一个隐藏层。在这里，卷积层有其自身的不同参数，例如滤波器、核大小、填充、步长、激活函数等。
因此，当卷积网络的第一层接收到输入图像时，它将获取该图像并对其应用核或滤波器。这里的滤波器可以是任意大小，基本上都会放在原始图像上，然后根据我们想要执行的操作(求和、求平均值、求最小值或求最大值)，我们将原始图像的像素读数转换为维度较小的像素读数。
假设我们有一张 64*64 大小的图像，并应用了一个 3*3 的滤波器，那么经过第一层卷积后，图像的最终大小将是 62*62。
以下公式可用于计算经过卷积层预处理后的输出图像大小。
图像大小 = n - f + 2p/s + 1
其中，n 是图像的原始大小，f 是滤波器大小，p 是填充，s 是我们在特定卷积层中使用的步幅。
这里需要注意的是，卷积层指的是单层卷积运算，完整的卷积网络可以包含多个卷积层，每个卷积层都有各自的设定模式。这些参数可以根据模型的性能进行调整，所使用的层数也可以根据模型的性能和复杂度进行调整。
随着卷积网络的深入，模型能够从图像中检测到非常复杂和较小的物体，而卷积网络的初始层或卷积核则执行更简单的任务，例如边缘检测、较大物体检测等。
卷积层参数
滤波器数量:这表示我们想要应用于图像的滤波器数量，以便对图像进行预处理并提取特征。
卷积核大小:此参数表示我们想要应用于图像的滤波器形状的大小，以便从图像中提取特征。
激活函数:此参数表示我们想要在特定卷积层中使用的激活函数。这里我们可以使用任何适合模型的激活函数，例如 ReLU、Softmax、Sigmoid、Tanh 等。
填充:填充是指为了不丢失任何信息或图像大小，我们希望添加到图像中的额外像素层的数量。
步长:步长是指滤波器在对原始图像执行卷积运算时所采用的 Tanh 卷积步长。
结论
在本文中，我们讨论了卷积、什么是卷积运算、卷积运算的执行方式以及一些相关的参数。本文将帮助人们更好地理解卷积运算，并帮助人们在执行卷积运算时运用所理解的内容。
