《Python人脸识别:从入门到工程实践》 ——2.4.2 二维卷积
【摘要】 本节书摘来自华章计算机《Python人脸识别:从入门到工程实践》 —— 书中第2章,第2.4.2节,作者是王天庆 。
2.4.2 二维卷积
二维卷积的定义可以表示如下:
其中,a为g×h的二维矩阵,b为r×s的二维矩阵相互卷积的二维矩阵。M=max(g,r),N=max(h,s)。同一维卷积类似,下标从0开始,对于下标中不存在的元素一般用0填充。
下面以一个直观的例子对二维卷积进行说明。如图2-3所示,现有一个数据矩阵称为image,一个卷积核称为filter,将该卷积核进行180°倒置后其形式仍然为自身(在实际应用中,为了方便起见,所指的卷积核都是互相关的形式)。用该卷积核对数据image进行卷积,以vaild卷积形式为例,我们简单看一下卷积步骤。
图2-3 二维离散卷积示意
其实,这个卷积过程与前面所述的一维卷积过程是类似的,卷积过程中几个关键步骤如图2-4所示。图2-4a所示的为进行卷积时的第1个卷积运算过程,将两个矩阵中对应元素相乘,然后再求和,可得该过程的结果为4;卷积核在图像矩阵上水平移动到尽头时,如图2-4b所示,此时需要换行继续进行卷积,该过程如图2-4c所示;反复如此操作,最终可得到最后一个卷积计算,如图2-4d所示。
图2-4 卷积过程的几个关键步骤
经过图2-5 卷积过程最终得到的结果
上述卷积运算,最终可以得到卷积后的结果。我们这里演示的卷积是vaild卷积形式,毫无疑问,这个卷积相当于一个降维过程。那么最终得到的结果如图2-5所示。
【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)