什么卷积操作用于图像识别？

Question

我在特征识别中发现卷积的所有人为例子都简化了＃34;通过使像素值为1或-1来进行卷积运算。它实现了一个非常简单的操作（按滤波器像素乘以输入像素，求和结果，然后除以像素数）：

但是，对于像素值具有范围的大多数图像，它并没有什么帮助。例如。 （0.0-1.0），或（0-255）。

我无法找到用于这些输入值的算法的示例。我尝试对每个像素的差异进行求和，然后除以像素数以获得整体＆＃34;错误＆＃34;。然后激活等于max - error。例如。 255 - 错误，或1.0 - 错误。

它永远不会输出负值，所以我不认为需要ReLU层。这让我觉得这是一种天真的做法，并不会真正起作用，但我不确定为什么。

那么当输入数据不是1 / -1时使用的操作是什么？

编辑以下是我一直关注的示例：http://brohrer.github.io/how_convolutional_neural_networks_work.html

它描述的卷积操作：

  

要计算要素与图像块的匹配，只需将要素中的每个像素乘以图像中相应像素的值即可。然后将答案加起来并除以要素中的总像素数。如果两个像素都是白色（值为1）则1 * 1 = 1.如果两者都是黑色，则（-1）*（ - 1）= 1.无论哪种方式，每个匹配的像素都会产生1.同样，任何不匹配是-1。

一个具体的例子，说明为什么我不认为这适用于值为[0.0,1.0]的像素。假设我们有1x1过滤器，其值为[0.5]。如果我们在值为0.5的输入像素上运行，那么我们得到0.25。

同样，如果我们使用[0,255]的颜色范围，那么我们很容易得到值＆gt; 255.虽然我不确定这是否重要，因为它不再是像素数据;它在功能图中的激活，对吧？

Answer 1

通常，您对每个像素使用卷积。因此，每个像素都是具有所有这些权重的所有像素的总和。因此，角落像素为0.77 *，其他角落为0.33 *，所有这些值都加起来并放入中心。通常是卷曲的。然后对所有其他像素进行相同的操作而不重叠任何数据。

该像素的下一个版本的值是几个像素的总和。有时，这是通过权重给出的。因此，不是乘以-1，而是乘以每个像素的权重。

您通常会对卷积权重进行标准化。在这种情况下，9.44444444444444444并将各种权重的各种像素的总和除以该量。但是，这显然是Canny边缘检测，这意味着要点超出给定范围并仅划分边缘。这意味着取决于内核，它可能允许最高范围为9.44倍。并且底值范围为负值。然后你压缩例程并将给定的像素截断到0-255或0.0-1.0的范围内（取决于你使用的是什么）。这会丢失很多数据，但这就是重点，它希望失去噪音并保持边缘。

Answer 2

通常，您需要将输入阈值作为第一遍转换为二进制。当然，您可以对灰度图像进行卷积，而Canny线检测就是这样做的。但结果是另一个连续的图像，需要进一步处理。

我的github项目中有一些关于二进制图像处理的资料，这里 http://malcolmmclean.github.io/binaryimagelibrary/