Channels, Feature Maps und rezeptive Felder

Ein Farbfoto besteht nicht aus einem Raster, sondern aus drei: Rot, Grün und Blau. Jedes davon ist ein Kanal, daher hat das Bild die Form 3 mal Höhe mal Breite.

Ein Conv-Kernel erfasst alle Eingangskanäle gleichzeitig. Bei RGB ist ein 3x3-Kernel tatsächlich 3x3x3 groß und summiert über alle drei Kanäle.

Unabhängig von der Anzahl der Eingangskanäle erzeugt ein einzelner Kernel nur ein Ausgaberaster: eine Feature Map.

Eine Schicht lernt viele Kernel. Die Anzahl ihrer out_channels entspricht genau der Anzahl der Feature Maps, die sie in der Ausgabe stapelt.

Diese Schicht erhält 3 Eingangskanäle und gibt 32 Feature Maps aus. Jede Map entspricht einem gelernten Kernel, der das RGB-Bild scannt.

Die 32 Feature Maps dienen der nächsten Conv-Schicht als Eingangskanäle. Die Tiefe wächst also, wenn Schichten aufeinander aufbauen.

Ein rezeptives Feld ist der Bereich des ursprünglichen Bildes, der einen Ausgabewert beeinflusst. Frühe Schichten sehen nur einen winzigen Ausschnitt.

Wenn Sie mehr Faltungsschichten stapeln, hängt jeder Wert von einem größeren Bereich ab. Tiefe Neuronen haben ein großes rezeptives Feld, das sich über einen großen Teil des Bildes erstreckt. 🌐

Mit kleinen rezeptiven Feldern erkennen frühe Schichten einfache Dinge: Kanten, Ecken und Farbflecken. Sie sind die grundlegenden Merkmale des Netzwerks.

Tiefere Schichten kombinieren diese zu komplexeren Mustern: Texturen, Formen und schließlich ganzen Objekten wie einem Auge oder einem Rad. Das ist die Hierarchie der Merkmale.

Je tiefer Sie gehen, desto kleiner werden die Abbildungen normalerweise, gewinnen aber mehr Kanäle. Das Netzwerk tauscht räumliche Details gegen semantische Bedeutung.

Sie haben gelernt, dass Kernel alle Eingabe-Kanäle überdecken, out_channels Merkmalskarten stapelt und wachsende rezeptive Felder Kanten in ganze Objekte verwandeln. 🎉