Một vài giải thích về mạng lưới thần kinh tích chập

Khi đọc về việc chuyển đổi lớp được kết nối đầy đủ thành lớp chập, được đăng trong http://cs231n.github.io/convolutional-networks/#convert .

Tôi chỉ cảm thấy bối rối về hai ý kiến ​​sau đây:

Hóa ra việc chuyển đổi này cho phép chúng tôi "trượt" ConvNet ban đầu rất hiệu quả trên nhiều vị trí không gian trong một hình ảnh lớn hơn, trong một lần chuyển tiếp duy nhất.

Một ConvNet tiêu chuẩn sẽ có thể hoạt động trên mọi kích thước hình ảnh. Bộ lọc tích chập có thể trượt trên lưới hình ảnh, vậy tại sao chúng ta cần phải trượt ConvNet ban đầu ở bất kỳ vị trí không gian nào trong một hình ảnh lớn hơn?

Và

Việc đánh giá ConvNet ban đầu (với các lớp FC) một cách độc lập trên các cây trồng 224x224 của hình ảnh 384x384 trong các bước 32 pixel cho kết quả giống hệt nhau để chuyển tiếp ConvNet đã chuyển đổi một lần.

"Bước tiến của 32 pixel" nghĩa là gì ở đây? Điều đó có đề cập đến kích thước bộ lọc? Khi nói về 224 * 224 vụ mùa của hình ảnh 384 * 384, điều đó có nghĩa là chúng ta sử dụng trường tiếp nhận là 224 * 224?

Tôi đánh dấu hai bình luận này là màu đỏ trong bối cảnh ban đầu.

Các lớp được kết nối đầy đủ chỉ có thể xử lý đầu vào có kích thước cố định, vì nó yêu cầu một lượng tham số nhất định để "kết nối đầy đủ" đầu vào và đầu ra. Mặc dù các lớp chập chỉ "trượt" các bộ lọc giống nhau trên đầu vào, do đó về cơ bản nó có thể xử lý đầu vào có kích thước không gian tùy ý.

Trong mạng ví dụ với các lớp được kết nối đầy đủ ở cuối, hình ảnh 224 * 224 sẽ tạo ra một vectơ 1000d của điểm số lớp. Nếu chúng ta áp dụng mạng trên một hình ảnh lớn hơn, mạng sẽ thất bại do sự không nhất quán giữa đầu vào và các tham số của lớp được kết nối đầy đủ đầu tiên.

Mặt khác, nếu chúng ta sử dụng mạng tích chập hoàn toàn, khi áp dụng cho hình ảnh lớn hơn, chúng ta sẽ nhận được 1000 "bản đồ nhiệt" về điểm số của lớp.

Như được hiển thị trong hình dưới đây (từ bài viết phân đoạn FCN ), mạng phía trên cho một điểm cho mỗi lớp và sau khi chuyển đổi (tích chập), chúng ta có thể lấy sơ đồ nhiệt cho mỗi lớp cho hình ảnh lớn hơn.

Về "sải chân", trên cùng một trang, trong phần Sắp xếp không gian:

Khi sải chân là 1 thì chúng ta di chuyển các bộ lọc một pixel mỗi lần. Khi sải chân là 2 (hoặc không phổ biến từ 3 trở lên, mặc dù điều này rất hiếm trong thực tế) thì các bộ lọc sẽ nhảy 2 pixel mỗi lần khi chúng ta trượt chúng xung quanh. Điều này sẽ tạo ra khối lượng đầu ra nhỏ hơn theo không gian.