一.如何在影象中檢測（垂直）邊緣(計算過程)：
左圖：灰度影象6*6矩陣，（彩色影象為6*6*3，灰度影象沒有rgb三通道）
中間圖：為檢測圖形垂直邊緣，構建3*3矩陣，稱為過濾器（或核）
卷積的計算過程：4*4矩陣的下標為（1,1）的值如下圖所示：
將3*3矩陣與6*6矩陣相應元素相乘，再相加即可。3*1+1*1+2*1+0*0+5*0+7*0+1*-1+8*-1+2*-1=-5
4*4矩陣的下標為（1,2）的值即將3*3濾波器矩陣向右移：
其他值同樣對3*3濾波器矩陣進行移動 ：
如果用python實現這個過程用函式：conv_forward()
二.為什麼上述過程可以做垂直邊緣檢測？
eg1垂直邊緣檢測輸出結果矩陣的含義：
左圖：影象矩陣，【白 灰】，中間有一條垂直的（由淺到深色）過渡線
中間圖：濾波器矩陣 ，視覺化成：【白 灰 黑】
右圖：依據上述方法卷積所得結果。如果當成影象：【灰 白 灰】（矩陣數值越大，亮度越高）
卷積所得矩陣中間是高亮區，對應所檢測影象（左圖）中間有垂直邊緣，但維數與原影象邊緣不同，（檢測到的結果太粗了）原因是維數（6*6）太小了。
eg2垂直邊緣檢測濾波器表示明暗變化：
矩陣左右翻轉，濾波矩陣不便，得到的新矩陣中間值變成負值（原矩陣值得相反數），上圖正值表示從亮到暗過渡，下圖負值表示由暗到亮過渡。如果不想要這種正負提供的資訊，可以將卷積所得到的矩陣取絕對值。
eg3水平邊緣檢測濾波器：
在相應邊緣有明暗變化 1 1 1 -1 -1 -1
卷積所得輸出矩陣數值與輸入矩陣的綠、黃、紫（3*3）矩陣 塊相互對應，輸出矩陣的30，-30分別表示由亮到暗、由暗到亮的變化；10，-10是中間值（對應3*3矩陣塊沒有明顯邊緣變化）。但是當輸入特別大的時候，不會出現10這麼大的中間值。
eg5不同的邊緣檢測濾波器矩陣：
sobel filter ：增加中間行權重，也就是影象中間的畫素點，增加結果魯棒性
將垂直邊緣濾波器旋轉90，得到水平邊緣濾波器
eg6 複雜影象的邊緣檢測：
複雜影象的濾波器不再是簡單的垂直或者水平邊緣檢測，可以將濾波器矩陣設定為9個引數，利用深度學習的反向傳播演算法得到濾波器的引數。可以檢測任意角度的邊緣。
《1。卷積神經網路》
1.簡述卷積的基本操作，並分析其與全連線層的區別 答 具有區域性連線和權值共享的特點。卷積操作能夠在輸出資料中大致保持輸入資料的結構資訊 2.在卷積神經網路中，如何計算各層的感受野大小？答 3.卷積層的輸出尺寸 參數量和計算量 答 輸出尺寸 1.簡述分組卷積及其應用場景 答 分組卷積就是將輸入通道和...
卷積神經網路 1 1 卷積核
卷積神經網路中卷積核的作用是提取影象更高維的特徵，乙個卷積核代表一種特徵提取方式，對應產生乙個特徵圖，卷積核的尺寸對應感受野的大小。經典的卷積示意圖如下 5 5的影象使用3 3的卷積核進行卷積，結果產生3 3 5 3 1 的特徵影象。卷積核的大小一般是 2n 1 2n 1 的奇數乘奇數大小 n 1 ...
卷積神經網路 1 1 卷積核
卷積神經網路中卷積核的作用是提取影象更高維的特徵，乙個卷積核代表一種特徵提取方式，對應產生乙個特徵圖，卷積核的尺寸對應感受野的大小。經典的卷積示意圖如下 5 5的影象使用3 3的卷積核進行卷積，結果產生3 3 5 3 1 的特徵影象。卷積核的大小一般是 2n 1 2n 1 的奇數乘奇數大小 n 1 ...