Правильно ли это интуитивное понимание сверточных нейронных сетей: 1. Свертка в основном соответствует тому, насколько похожа локальная часть изображения на сверточное ядро / фильтр 2. Ядро/фильтр подобно детектору признаков , Важно отметить, что выучил и автоматически изменил и оптимизировал его с помощью SGDСверторные нейронные сети
Это верно с учетом того, что «как схожесть» имеет отношение к veeeeeeeeeery. Если вы считаете вычисление dot product как измерение подобия, то да. Почему у меня лично возникают сомнения? Потому что он сильно зависит от нормы вектора (или матрицы). Давайте рассмотрим изображение
1 1 1
2 2 2
1 1 1
и ядро
1 1 1
2 2 2
1 1 1
мы свертку их и получить
1 + 1 + 1 + 2*2 + 2*2 + 2*2 + 1 + 1 + 1 = 18
теперь позволяет принимать изображение
2 2 2
2 2 2
2 2 2
и мы получаем
2 + 2 + 2 + 2*2 + 2*2 + 2*2 + 2 + 2 + 2 = 24
Я бы сказал, что первое изображение было больше аналогично к ядру, чем к другому, но свертка говорит что-то еще. Таким образом, это не так просто, свертка - это просто базовая линейная фильтрация изображения, свертывание сигнала, применение точечного продукта к подвыборкам, но называть его «поиском сходства» слишком много. Это, тем не менее, особенный детектор, очень специфический.
Решающим вещь о извилин, которые вам не хватает в вашем описании является общий характер этих детекторов, тот факт, что вы узнать кучу локальных графических фильтров, которые применяются к каждому «спот» изображения, таким образом, достигая своего рода инвариантность местоположения и значительно уменьшая параметризацию вашей модели.