เมล็ดถูกนำไปใช้กับแผนที่คุณลักษณะเพื่อสร้างแผนที่คุณลักษณะอื่น ๆ อย่างไร

ฉันพยายามที่จะทำความเข้าใจกับส่วนต่าง ๆ ของโครงข่ายประสาทเทียม ดูรูปต่อไปนี้:

ฉันไม่มีปัญหาในการทำความเข้าใจกับชั้นแรกของการบิดที่เรามีเมล็ดที่แตกต่างกัน 4 ขนาด (ขนาด ) ซึ่งเราได้ทำการเชื่อมต่อกับภาพอินพุตเพื่อรับแผนที่คุณลักษณะ 4 แบบ$k \times k$

สิ่งที่ฉันไม่เข้าใจคือเลเยอร์ convolution ถัดไปซึ่งเราไปจาก 4 ฟีเจอร์แมปถึง 6 ฟีเจอร์แมป ฉันคิดว่าเรามี 6 เมล็ดในเลเยอร์นี้ (ดังนั้นให้แผนที่คุณลักษณะเอาต์พุต 6 รายการ) แต่เมล็ดเหล่านี้ทำงานบนแผนที่คุณลักษณะ 4 รายการที่แสดงใน C1 ได้อย่างไร เมล็ดเป็นแบบสามมิติหรือเป็นแบบสองมิติและทำซ้ำในแผนที่คุณลักษณะอินพุต 4 ตัวหรือไม่

เมล็ดเป็นแบบสามมิติซึ่งสามารถเลือกความกว้างและความสูงได้ในขณะที่ความลึกจะเท่ากับจำนวนของแผนที่ในเลเยอร์อินพุต - โดยทั่วไป

แน่นอนว่ามันไม่ใช่สองมิติและทำซ้ำในแผนที่ฟีเจอร์อินพุตในตำแหน่ง 2D เดียวกัน! นั่นหมายความว่าเคอร์เนลจะไม่สามารถแยกความแตกต่างระหว่างคุณลักษณะอินพุตของมันในตำแหน่งที่กำหนดเนื่องจากจะใช้น้ำหนักหนึ่งและน้ำหนักเท่ากันทั่วทั้งแผนที่ฟีเจอร์อินพุต!

ไม่มีความสอดคล้องแบบหนึ่งต่อหนึ่งระหว่างเลเยอร์และเมล็ดจำเป็น ขึ้นอยู่กับสถาปัตยกรรมเฉพาะ รูปที่คุณโพสต์แนะนำว่าในเลเยอร์ S2 คุณมี 6 ฟีเจอร์แมปแต่ละการรวมแมปฟีเจอร์ทั้งหมดของเลเยอร์ก่อนหน้าคือการรวมกันของฟีเจอร์ที่เป็นไปได้

ไม่มีการอ้างอิงเพิ่มเติมฉันไม่สามารถพูดได้มากขึ้น ดูตัวอย่างเอกสารนี้

ตารางที่ 1 และ 2a ของ Yann LeCun เรื่อง "การเรียนรู้ด้วยการไล่ระดับสีนำไปประยุกต์ใช้กับการรับรู้เอกสาร" อธิบายได้ดี: http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf ทุกภูมิภาคไม่ใช่ของ 5x5 convolution ใช้ในการสร้างชั้นที่ 2 convolutional

บทความนี้มีประโยชน์: ทำความเข้าใจกับ Convolution ใน Deep LearningโดยTim Dettmersตั้งแต่วันที่ 26 มีนาคม

มันไม่ได้ตอบคำถามจริงๆเพราะมันอธิบายเพียงชั้นแรกของการสนทนา แต่มีคำอธิบายที่ดีเกี่ยวกับสัญชาตญาณพื้นฐานเกี่ยวกับการสนทนาในซีเอ็นเอ็น นอกจากนี้ยังอธิบายถึงคำจำกัดความทางคณิตศาสตร์ที่ลึกซึ้งยิ่งขึ้น ฉันคิดว่ามันเกี่ยวข้องกับหัวข้อคำถาม