深度學習：CNN原理 | 政府出版品書目資料查詢網

2020年1月31日 — 上圖中的imge可以是一開始的輸入層，而所謂的卷積，就用另一個matrix(叫做Kernel or Filter)遍歷輸入層所得到的另一個matrix(叫做feature map)的操作。

2018年12月20日 — 對特徵圖(Feature map)降維，並且保留重要的特徵，參數減少，可防止Overfitting。 對於Overfitting不熟的人，可以參考我之前的寫的文章，我們知道，越複雜 ...

2019年10月19日 — 將CNN進行卷積和降維過程中所產出的不同尺度的feature map用來做預測，神似原本的影像金字塔產生Featurized Image Pyramid的機制，被稱作Pyramidal ...

2020年12月28日 — 在输入层，如果是灰度图片，那就只有一个feature map；如果是彩色图片，一般就是3个feature map（红绿蓝）。层与层之间会有若干个过滤器/卷积核（kernel） ...

2019年7月22日 — 在這邊卷積其實就是兩個步驟組成的運算: 滑動+ 內積，利用filter 在輸入圖片上滑動並且持續進行矩陣內積，卷積後得到的圖片我們稱之為feature map。 (圖片 ...

2018年3月27日 — 一般在影像上，捲積運算後會再加上激活函數(activation function)，進行非線性轉換，之後得到的圖片會稱為特徵圖(feature map)。 Feature mapi} = ...

2018年6月28日 — Note: (2019/01/15增加)一般卷積網路過程中，除了Input image不稱為Feature map外，中間產生的圖我們都稱之為Feature map，原因很簡單就是這些中間產生的 ...

2019年6月4日 — 我們可以藉由選擇Kernel的張數控制Feature maps (圖像經由Kernel卷積後的結果，也就是下圖中粉紅色的部分)的深度，藉由調整Kernel大小決定Kernels的特徵 ...

2021年10月31日 — 因此我們利用一個小框框（filter）掃描圖片，當掃描到重要的特徵時，數值就會變大，不重要的數值就會很小。掃描後的數值又稱為feature map。 關於卷積神經 ...