Canali, feature map e campi recettivi

Una foto a colori non è una sola griglia, ma tre: rossa, verde e blu. Ognuna è un canale, quindi la forma dell’immagine è 3 per altezza per larghezza.

Un kernel convoluzionale copre contemporaneamente ogni canale di input. Per RGB, un kernel 3x3 è in realtà 3x3x3 e somma i valori di tutti e tre i canali.

Indipendentemente dal numero di canali di input, un singolo kernel produce una sola griglia di output: una feature map.

Un layer impara molti kernel. Il suo numero di out_channels corrisponde esattamente al numero di mappe delle caratteristiche che impila nell'output.

Quel layer riceve 3 canali di input e produce 32 mappe delle caratteristiche. Ogni mappa corrisponde a un kernel appreso che analizza l'immagine RGB.

Le 32 mappe delle caratteristiche alimentano il layer conv successivo come suoi canali di input. La profondità cresce quindi man mano che i layer si sovrappongono.

Un campo recettivo è la regione dell'immagine originale che influenza un valore di output. I primi layer vedono solo una piccolissima porzione.

Impilando più layer conv, ogni valore dipende da un'area più ampia. I neuroni profondi hanno un grande campo recettivo che copre gran parte dell'immagine. 🌐

Con campi recettivi piccoli, i primi layer rilevano elementi semplici: bordi, angoli e macchie di colore. Sono le caratteristiche di base della rete.

I layer più profondi combinano questi elementi in strutture più ricche: trame, forme e infine oggetti interi come un occhio o una ruota. Questa è la gerarchia delle caratteristiche.

Man mano che si procede in profondità, le mappe diventano generalmente più piccole, ma acquisiscono più canali. La rete scambia il dettaglio spaziale con il significato semantico.

Ha imparato che i kernel si estendono su tutti i canali di input, che out_channels impila le mappe delle caratteristiche e che campi recettivi sempre più ampi trasformano i bordi in oggetti interi. 🎉