【KWDB 创作者计划】_深度学习篇---常见卷积核
文章目录
- 前言
- 1. 平滑（模糊）卷积核
-
- 1.1 均值滤波（3×3 示例）
- 1.2 高斯滤波（3×3 示例，σ=1）
- 2. 锐化卷积核
-
- 2.1 拉普拉斯锐化（3×3）
- 2.2 非归一化锐化
- 3. 边缘检测卷积核
-
- 3.1 Sobel 算子（水平边缘检测）
- 3.2 Sobel 算子（垂直边缘检测）
- 3.3 Prewitt 算子（水平方向）
- 4. 方向性卷积核
-
- 4.1 水平边缘检测
- 4.2 垂直边缘检测
- 5. 自定义卷积核
-
- 5.1 Gabor 滤波器
- 5.2 空洞卷积
- 6. 深度可分离卷积核
-
- 6.1 深度卷积
- 6.2 逐点卷积
- 7.特点说明
-
- 7.1 奇数尺寸
- 7.2 参数量
- 7.3动态学习
前言
卷积核（Convolution Kernel）是卷积神经网络（CNN）中的核心组件，用于**提取图像或特征图的局部特征。**常见的卷积核根据功能可分为以下几类：
1. 平滑（模糊）卷积核
用于图像去噪或模糊处理，通过加权平均减少高频噪声：
1.1 均值滤波（3×3 示例）
[1/9, 1/9, 1/9]
[1/9, 1/9, 1/9]
[1/9, 1/9, 1/9]
1.2 高斯滤波（3×3 示例，σ=1）
[1/16, 2/16, 1/16]
[2/16, 4/16, 2/16]
[1/16, 2/16, 1/16]
2. 锐化卷积核
增强图像边缘和细节，突出高频信息
2.1 拉普拉斯锐化（3×3）
[ 0, -1, 0]
[-1, 5, -1]
[ 0, -1, 0]
2.2 非归一化锐化
[ 0, -1, 0]
[-1, 4, -1]
[ 0, -1, 0]
3. 边缘检测卷积核
用于提取图像中的边缘或轮廓
3.1 Sobel 算子（水平边缘检测）
[-1, 0, 1]
[-2, 0, 2]
[-1, 0, 1]
3.2 Sobel 算子（垂直边缘检测）
[-1, -2, -1]
[ 0, 0, 0]
[ 1, 2, 1]
3.3 Prewitt 算子（水平方向）
[-1, 0, 1]
[-1, 0, 1]
[-1, 0, 1]
4. 方向性卷积核
针对特定方向的特征提取
4.1 水平边缘检测
[-1, -1, -1]
[ 0, 0, 0]
[ 1, 1, 1]
4.2 垂直边缘检测
[-1, 0, 1]
[-1, 0, 1]
[-1, 0, 1]
5. 自定义卷积核
在CNN中，卷积核的权重通常通过训练自动学习，可能包含复杂的非线性模式。例如：
5.1 Gabor 滤波器
Gabor 滤波器：模拟视觉皮层对方向敏感的响应。
5.2 空洞卷积
空洞卷积（Dilated Convolution）：扩大感受野的稀疏核。
6. 深度可分离卷积核
用于轻量级网络（如MobileNet）
6.1 深度卷积
深度卷积（Depthwise）：每个输入通道单独卷积。
6.2 逐点卷积
逐点卷积（Pointwise）：1×1 卷积融合通道信息。
7.特点说明
7.1 奇数尺寸
奇数尺寸：常见 3×3、5×5、7×7，保证对称性和中心点。
7.2 参数量
参数量：3×3 卷积核在 CNN 中广泛使用，平衡感受野和计算效率。
7.3动态学习
动态学习：实际应用中，卷积核权重由反向传播优化，而非手动设计。
如果需要特定场景的卷积核或更详细的数学解释，可以进一步探讨！