圖像特征

傳統(tǒng)的圖像特征提?。ㄌ卣鞴こ蹋┲饕腔诟鞣N先驗模型，通過提取圖像關(guān)鍵點、生成描述子特征數(shù)據(jù)、進行數(shù)據(jù)匹配或者機器學習方法對特征數(shù)據(jù)二分類/多分類實現(xiàn)圖像的對象檢測與識別。卷積神經(jīng)網(wǎng)絡(luò)通過計算機自動提取特征（表示工程）實現(xiàn)圖像特征的提取與抽象，通過MLP實現(xiàn)數(shù)據(jù)的回歸與分類。二者提取的特征數(shù)據(jù)都具不變性特征。

卷積神經(jīng)網(wǎng)絡(luò)為什么能提取到圖像特征，其關(guān)鍵在于卷積神經(jīng)網(wǎng)絡(luò)有兩種不同類型的層

-卷積層（convolution layers/detection layers）

-池化層（pooling layers）

卷積層

卷積層是一系列濾波器集合（filters set）、它的輸出結(jié)果被稱為特征映射（feature maps），每個feature map都一個filter在圖像上卷積得到的輸出。一般情況下都會輸出結(jié)果加線性修正，對卷積層常用就是ReLU

這樣做的好處是：

卷積是一個線性操作，我們需要一個非線性組合，否則兩個卷積卷積層還不如一個卷積層

兩個相反方向的邊緣不應該被取消

使圖像梯度值更加的稀疏、有助于提高反向傳播的效果

假設(shè)灰度輸入圖像，有兩個filter，卷積層生成過程如下所示：

假設(shè)灰度輸入圖像，有兩個filter，卷積層生成過程如下所示：

膨脹卷積

通常我們常見的卷積層操作使用的filter都是基于連續(xù)鄰近像素的，除了這種卷積filter之后另外還有一張卷積filter被稱為膨脹卷積，其算子的分布更加的稀疏，圖示如下：

膨脹卷積在不增加網(wǎng)絡(luò)總參數(shù)的情況下，提升每個感受野的尺度大小。

1x1卷積

1x1的卷積首次使用是在Network In Network網(wǎng)絡(luò)模型中，后來受到越來越多的關(guān)注，在一般情況下我們的卷積是2D的，1x1的卷積操作是毫無意義的，但是對卷積神經(jīng)網(wǎng)絡(luò)來說，它的卷積層是三維的，所以1x1的卷積操作是有意義的。

卷積層大小計算

對于一個輸入大小WxW的feature map，假設(shè)Filter的大小位FxF，卷積時填充邊緣P個像素、卷積步長（stride）為S則輸出的大小為：

在多數(shù)深度學習框架中支持兩種輸出大小計算：

padding = “same”

意味著使用填充邊緣的方式，輸出大小與輸入的feature map大小保持不變

padding = “valid”

意味著不使用邊緣填充，即P=0此時輸出大小為：

池化層

在卷積層提取到的特征數(shù)據(jù)不具備空間不變性（尺度與遷移不變性特征），只有通過了池化層之后才會具備空間不變性特征。池化層是針對每個feature map進行池化操作，池化操作的窗口大小可以指定為任意尺寸，主要有兩種類型的池化操作

-下采樣池化（均值池化）

-最大值池化

下采樣池化

對每個窗口大小取均值，然后乘以標量beta加上我們增益偏置b的輸出

最大值池化

無論是選擇哪種池化方式都會輸出一個新低分辨率feature map，多數(shù)時候這個過程中會包含一定的信息損失，所以卷積神經(jīng)網(wǎng)絡(luò)一般通過擴展深度（增加feature map的數(shù)量）來補償。

重疊窗口與稀疏窗口

在進行池化的時候我們?nèi)绻x擇步長=1進行池化，通過這樣的池化方式輸出的結(jié)果我們稱為重疊池化輸出，它不利于特征的稀疏生成，重疊窗口池化與均值池化都有這樣的缺點，所以經(jīng)常采樣的是最大值池化，同時不會進行窗口重疊，有實驗結(jié)果表明，在卷積層保持相同feature map與參數(shù)的情況下，最大值池化的結(jié)果明顯優(yōu)于重疊池化與均值池化，而且網(wǎng)絡(luò)的深度越深，兩者之間的準確度差異越大。

總結(jié)

最終卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過池化層操作對單位像素遷移和亮度影響進行了校正，做到了圖像的遷移與亮度不變性的特征提取、而且在池化過程中通過不斷的降低圖像分辨率，構(gòu)建了圖像的多尺度特征，所以還具備尺度空間不變性，完成了圖像不變性特征提取工作。

編輯：jq