[CV] filter 与 pool 的异同

2020-09-28 本文已影响0人 LCG22

filter(卷积核，过滤器) 操作过程：filter 是按照从左到右，从上到下的顺序，将卷积核每个通道上的值跟输入对应的通道上的值进行相乘，再进行求和，然后加上偏置，最后使用 relu 激活函数，如此便能依次得到所有的结果

pool(池化)操作过程：pool 是对输入的每个通道进行池化操作，但是不会对每个通道的结果对应位置的值进行相加

filter 与 pool 的相同点：

① 卷积与池化顺序：都是从矩阵的左上角开始，依照步长，从左到右，从上到下进行移动

② padding 公式：矩阵经过 filter 和 pool 后的维度大小都满足公式 $\lfloor {\frac{n + 2p - f}{s} + 1} \rfloor$

注：pool 中的 p 一般设置为 0

③ 卷积核与池化的维度： filter 的维度大小 n * n * $n_c$ 中的 $n_c$ 跟输入的通道数必须相等。 pool 的维度大小 n * n * $n_c$ 中的 $n_c$ 跟输入的通道数相同

④ 卷积核与池化的作用：为了降低计算量

不同点：

① 参数是否需要训练：filter 的参数需要进行训练，但是 pool 中没有参数需要进行训练

② 卷积核与池化的输出维度：卷积核的是 n * n * m ，而其中的 m 则是该层的卷积核的数量。而池化的是 n * n * $n_c$ ， $n_c$ 是当前输入的通道数

③padding 公式的参数设置： $\lfloor {\frac{n + 2p - f}{s} + 1} \rfloor$ 公式在 filter 时，p 一般不为 0，但是在 pool 中 p 一般为 0

④卷积核和池化的作用： filter 的作用一般是降低计算量，而 pool 除了降低计算量之外，还为了提高抽取的特征的健壮性

⑤ 参数是否共享：filter 的可训练参数是共享的，而 pool 没有可训练参数

⑥ 降低计算量的方式：filter 通过参数共享和稀疏连接的方法来降低参数量，从而降低计算量。而 pool 则是通过将输入尺寸降低后，作为输出的方法，来降低后续过程的计算量。