卷积神经网络的卷积到底是什么

卷积神经网络是一种特殊的神经网络结构，是自动驾驶汽车、人脸识别系统等计算机视觉应用的基础，其中基本的矩阵乘法运算被卷积运算取代。它们专门处理具有网格状拓扑结构的数据。例如，时间序列数据和图像数据可以看作是一个二维像素网格。

历史

卷积神经网络最初是由福岛核电站在1980年引入的，当时名为Neocognitron。它的灵感来自于Hubel和Weisel提出的神经系统的层次模型。但由于其复杂的无监督学习算法，即无监督学习，该模型并不受欢迎。1989年，Yann LeCun利用反向传播和Neocognitron的概念提出了一种名为LeNet的架构，该架构被美国和欧洲用于手写的邮政编码识别。邮政服务。Yann LeCun进一步研究了这个项目，最终在1998年发布了LeNet-5——第一个引入了我们今天在CNN仍然使用的一些基本概念的现代卷积神经网络。他还发布了MNIST手写数字数据集，这可能是机器学习中最著名的基准数据集。在20世纪90年代，计算机视觉领域转移了它的焦点，许多研究人员停止了对CNN架构的研究。神经网络的研究经历了一个寒冷的冬天，直到2012年，多伦多大学的一组研究人员在著名的ImageNet挑战赛中进入了一个基于CNN的模型(AlexNet)，最终以16.4%的错误率赢得了比赛。此后，卷积神经网络不断向前发展，基于CNN的体系结构不断赢得ImageNet, 2015年，基于卷积神经网络的体系结构ResNet的误差率超过人类水平的5.1%，误差率为3.57%。

卷积的误称

在CNN中广泛使用的卷积运算是用词不当的。严格地说，所使用的操作是相关，而不是卷积。这两个操作符都有一点不同，我们将分别讨论它们，以理解它们之间的区别。

互相关

相关是在图像上移动滤波掩码(通常称为核)并计算每个位置的乘积和的过程。相关是滤波器位移的函数。换句话说，相关的第一个值对应滤波器的零位移，第二个值对应一个位移，以此类推。

数学公式:

图3给出了使用F滤波器与图像I的一维互相关运算的数学公式。假设F具有奇数个元素会很方便，因此我们可以假设F随其中心移动。我们说F有2N+1的元素,这些索引从-N到N,F(0)是中心元素。

类似地，我们可以将这个概念扩展到下图所示的2d情况。基本思想是一样的，除了图像和滤波器现在是2D。我们可以假设我们的滤波器有奇数个元素，所以它由一个(2N+1)x(2N+1)矩阵表示。

二维的相关运算非常简单。我们只是取一个给定大小的滤波器，然后把它放在与滤波器大小相同的图像的一个局部区域上。我们继续这个操作，在整个图像中移动相同的滤波器。这也帮助我们实现了两个非常受欢迎的属性:

平移不变性:我们的视觉系统应该感知、响应或检测相同的物体，而不管它出现在图像的什么地方。

局部性:我们的视觉系统聚焦于局部区域，而不考虑图像的其他部分发生了什么。

互相关函数具有一个特性，当它应用于离散的单位脉冲(一个二维矩阵，其中只有一个1，其他都是0)时，得到的结果是滤波器的副本，但旋转了180度。

卷积:

卷积运算与互相关运算非常相似，但有细微的区别。在卷积运算中，首先将核翻转180度，然后应用于图像。卷积的基本性质是将一个核与一个离散的单位脉冲进行卷积，在脉冲的位置上得到一个核的拷贝。

我们在互相关部分看到，一个互相关操作产生一个脉冲的拷贝，但是旋转了180度。因此，如果我们预先旋转滤波器并执行相同的乘积滑动和运算，我们应该能够得到期望的结果。

数学公式:利用核函数F对图像I进行的卷积运算由一维的公式给出。卷积就像相关一样，只是我们在互相关之前先把滤波器翻转一下

在二维卷积的情况下，我们水平和垂直翻转滤波器。这可以写成:

卷积运算同样遵循平移不变性和局部性的性质。

注意:尽管这两个操作稍有不同，但是所使用的核是否对称并不重要。

结论:

在这篇文章中，我们简要讨论了卷积神经网络的历史和一些特性。我们讨论了卷积这个错误的说法，即在各种文本中经常提到的卷积运算其实是互相关运算。这种差别很细微，但却很有用，每个进入、练习或经验丰富的计算机视觉领域的人都应该知道。