filter - How do successive convolutional layers work?

Question

If my first convolution have 64 filters and my second has 32 filters. Will i have :

1 Image -> Conv(64 filters) -> 64 ImagesFiltred -> Conv(32 filters) -> 64 x 32 = 2048 Images filtred

Or :

1 Image -> Conv(64 filters) -> 64 ImagesFiltred -> Conv(32 filters) -> 32 Images filtred

If it is the second answer : what are goin on between the 64 ImagesFiltred and the second Conv ??

Thanks for your answer, in don't find a good tutorial that explain clearly, it always a rush ...

标签： filterdeep-learningneural-networkkernelconv-neural-network

Answer 1

你的第一点是正确的。卷积本质上是从数据中改变和提取特征的方法。我们通过创建 m 个图像来做到这一点，每个图像都查看原始图像的特定帧。在第一个卷积层上，我们为第一层中的每个卷积图像拍摄 n 幅图像。

SO：k1 *k2 将是图像的总数。

为了进一步说明这一点，卷积通过制作图像的特征图来工作。当你有连续的卷积层时，你正在制作特征图的特征图。即，如果我从 1 个图像开始，并且我的第一个卷积层的大小为 20，那么在卷积 1 结束时我有 20 个图像（更具体地说是特征图）。然后假设我添加了大小为 10 的第二个卷积。会发生什么然后我为每 1 张图像制作 10 张特征图。因此，它将是 20*10 图像 = 200 个特征图。

例如，假设您有一个 50x50 像素的图像。假设您有一个卷积层，其过滤器大小为 5x5。如果您没有填充或其他任何东西，会发生什么情况）是您在图像上“滑动”并在每次滑动迭代时获得像素的加权平均值（取决于您的位置）。然后你会得到一个大小为 5x5 的输出特征图。假设您执行此操作 20 次（即 5x5x20 卷积），然后您将获得 20 个大小为 5x5 的特征图作为输出。在下面的 VGG 神经网络帖子中提到的图表中，该图表仅显示了为传入特征图制作的特征图数量，而不是特征图的最终总和。

我希望这个解释是彻底的！