我正在学习这篇论文（第53页），其中建议以特殊方式进行卷积。该公式如下：
在卷积层中，所有输入特征映射（假设I总共）O_i (i = 1, · · · , I)基于多个局部过滤器（I×J总共）w_{ij}(i=1,···,I；j=1,···,J)，映射到多个特征映射（假设J总共）Q_j (j = 1, · · · , J)上。该映射可以表示为信号处理中众所周知的卷积操作。 假设输入特征映射都是一维的，则卷积层中一个特征映射的每个单元格可以计算为方程1中的方程式（上面的方程式）。
其中o_{i,m}是第i个输入特征映射O_i的第m个单元，q_{j,m}是卷积层的第j个特征映射Q_j的第m个单元，w_{i,j,n}是连接输入的第i个特征映射和第j个卷积层特征映射的重量向量w_{i,j}的第n个元素，F被称为滤波器大小，即卷积层接收的每个单元格的输入波段数量。
从其解释中，我基本上明白了他们正在做的事情，就像我在这个图像中试图阐述的那样。 对我来说，他们实际上处理了所有数据点直至F，并跨越所有的特征映射。 基本上是在x-y方向上移动，并从那里计算一个点。
这难道不是在大小为（I x F）的2D图像上进行2D卷积，滤波器的大小等于图像的大小吗？ 在此，重量似乎并没有任何重要性。
所以我为什么要在这里问这个问题……
我正在尝试实现这一点，我不确定他们所做的是否只是基本卷积，在其中一个滑动窗口一直提供新数据，或者他们所做的不是普通卷积，这意味着我需要设计一个执行此操作的特殊层吗？…
在卷积层中，所有输入特征映射（假设I总共）O_i (i = 1, · · · , I)基于多个局部过滤器（I×J总共）w_{ij}(i=1,···,I；j=1,···,J)，映射到多个特征映射（假设J总共）Q_j (j = 1, · · · , J)上。该映射可以表示为信号处理中众所周知的卷积操作。 假设输入特征映射都是一维的，则卷积层中一个特征映射的每个单元格可以计算为方程1中的方程式（上面的方程式）。
其中o_{i,m}是第i个输入特征映射O_i的第m个单元，q_{j,m}是卷积层的第j个特征映射Q_j的第m个单元，w_{i,j,n}是连接输入的第i个特征映射和第j个卷积层特征映射的重量向量w_{i,j}的第n个元素，F被称为滤波器大小，即卷积层接收的每个单元格的输入波段数量。
从其解释中，我基本上明白了他们正在做的事情，就像我在这个图像中试图阐述的那样。 对我来说，他们实际上处理了所有数据点直至F，并跨越所有的特征映射。 基本上是在x-y方向上移动，并从那里计算一个点。
这难道不是在大小为（I x F）的2D图像上进行2D卷积，滤波器的大小等于图像的大小吗？ 在此，重量似乎并没有任何重要性。
所以我为什么要在这里问这个问题……
我正在尝试实现这一点，我不确定他们所做的是否只是基本卷积，在其中一个滑动窗口一直提供新数据，或者他们所做的不是普通卷积，这意味着我需要设计一个执行此操作的特殊层吗？…
