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?…