Kernelgröße

Die Kernelgröße, auch Filtergröße genannt, bezeichnet die räumliche Ausdehnung eines Kernels oder Filters, der bei Faltungs- oder Nuklearrrechnungen verwendet wird. Sie gibt an, über welchen Bereich eines Eingabedatums das Kernel eine Operation ausführt, z. B. 3x3, 5x5 oder 7x7. In vielen Anwendungen dominiert die Norm der quadratischen, zentrale Pixellage, weshalb oft eine ungerade Kernelgröße gewählt wird, damit ein Mittelpunkt existiert.

Anwendungsgebiete und Auswirkungen: In der Bildverarbeitung dienen Kernelgrößen wie 3x3 oder 5x5 dem Glätten, Schärfen, Kantenextraktion oder Mustersuppression. Eine größere Kernelgröße erfasst weiter entfernte Nachbarpixel, erhöht jedoch die Glättung und den Rechenaufwand. Die Wahl der Kernelgröße beeinflusst also Detailgrad und Randverhalten des Ergebnisses. In der Praxis wird häufig mit Padding gearbeitet, um die Eingangsdimensionen beizubehalten, wobei die Art des Border-Handling (z. B. Nullpadding, Spiegelung) das Endergebnis beeinflusst.

Kernelgröße in neuronalen Netzen: In Convolutional-Neural-Networks bezeichnet sie die räumliche Ausdehnung der Filter, oft 3x3 oder 5x5. Größere Kernel können mehr Kontext erfassen, erhöhen jedoch Parameteranzahl und Rechenaufwand. 1x1-Kerne dienen als projektive Layer, die Kanäle miteinander kombinieren, ohne räumliche Nachbarschaften zu berücksichtigen. Rechenaufwand wächst mit Quadrat der Kernelgröße und Anzahl der Eingangs- und Ausgangskanäle; Techniken wie Separable Filter können Kosten reduzieren.

Zusammenfassend bestimmt die Kernelgröße maßgeblich den Kontext, die Detailgenauigkeit und die Rechenkomplexität einer Filteroperation. Die Wahl hängt von Daten, Zielen und verfügbaren Ressourcen ab.