Konvoluutiokerros

Konvoluutiokerros on keskeinen kerros syväoppimisessa, joka suorittaa konvoluution syötteen ja oppivien suodattimien välillä. Jokainen suodatin käsittelee pienen alueen syötteestä ja tuottaa yhden ominaisuuskarttapin, jolloin kerroksessa on useita ominaisuuskarttoja. Parametrien jakaminen tarkoittaa, että sama painitaulukko käytetään koko syötteen ajan, mikä vähentää opittavien parametrien määrää ja auttaa löytämään paikkasidonnaisia piirteitä.

Miten konvoluutio toimii: 2D- tai 1D-syötteen kanssa kukin suodatin (kernel) on pienikokoinen, esimerkiksi 3x3 tai 5x5, ja sen syvyys vastaa syötteen kanavien määrää. Jos kerroksessa on C_out suodatinta, syntyy C_out ominaisuuskarttaa. Opittu yksikkö lasketaan siten, että suodatin kerrotaan syötteen vastaavilla arvoilla ja summat kootaan. Stride S määrittää, kuinka monta askelta suodatin siirtyy seuraavaan paikkaan, padding P tasoittaa reunoja ja antaa mahdollisuuden säilyttää ulottuvuuksia, ja dilation D voi kasvattaa suodatuksen tehokasta näkökenttää. Lopullinen koko voidaan arvioida formuloilla: H_out = floor((H + 2P - F) / S) + 1, W_out vastaavasti.

Käyttö ja koulutus: Konvoluutiokerrokset opitaan backpropagationin avulla. Parametrit määräytyy kuin F x F x C_in x C_out, plus mahdolliset bias-arvot. Kerrokset voivat käsitellä 2D-kuvia, 1D-signaaleja tai 3D-videomateriaalia, ja niitä käytetään usein peräkkäin aktivointikerrosten ja poolauskerrosten kanssa.

Variantit: Esimerkkejä ovat depthwise separable -konvoluutio, joka jaottaa kerroksen kanavakohtaisiin suodattimiin, dilatedoconvoluutio sekä transposed convolution, jota käytetään ylösnäppäyksessä. Näillä on tavoitteena parantaa tehokkuutta, kontekstin laajuutta tai upscalingia.