卷積神經網路 - 卷積層 (Convolution Layer)

移動滑鼠觀察 Filter 如何提取特徵，理解 CNN 的核心原理

Kernel 尺寸： Padding：

選擇濾鏡 (Filter)：

輸入圖像 (Input Image) - 15×15

當前濾鏡 (Kernel 3×3)

0

-1

0

-1

4

-1

0

-1

0

特徵圖 (Feature Map) - 13×13

卷積運算過程

請將滑鼠移至左側圖片上...

💡 什麼是卷積層？

卷積層 (Convolution Layer) 是 CNN 的核心。它使用一小塊矩陣（稱為 Kernel 或 Filter）在圖像上滑動，進行加權總和運算。

特徵提取：不同的 Kernel 可以提取圖像的不同特徵（如邊緣、紋理）。
局部連接：每個輸出像素只與輸入圖像的一小部分區域相關。

🗺️ 特徵圖 (Feature Map)

卷積運算後的輸出結果稱為特徵圖。它代表了輸入圖像中某種特徵的分佈情況。

尺寸變化：通常會比原圖略小（取決於 Kernel 大小與 Padding）。
激活：濾鏡響應的大小與正負都可能有意義；本頁為了顯示灰階，將負值截為 0，實際卷積層可保留負值。

🎨 常見濾鏡效果

邊緣檢測 (Edge)：突顯物體輪廓，數值變化劇烈處反應強。
銳化 (Sharpen)：增強中心像素與周圍的對比，使細節更清晰。
模糊 (Blur)：將周圍像素取平均，能夠消除雜訊但會讓影像變模糊。