这是在普通卷积神经网络中进行的基本卷积吗？

Question

我目前正在研究这个paper（第53页），其中建议的卷积是以特殊的方式完成的。

这是下式：

下面是对它们的说明：

的图4.2，所有输入特征映射（假设我在总计），O_i（I = 1 ，...，I）被映射到基于多个局部滤波器（I×J in）的卷积层中的多个特征映射（总共假设J），Q_j（j = 1，...，J）总数），w_ {ij}（i = 1，...，I; j = 1，...，J）。该映射可以表示为信号处理中众所周知的卷积操作。 假设输入特征映射都是一维的，卷积层中的一个特征映射的每个单元可以被计算为等式\ ref {eq：equation}（上面的等式）。

其中o_ {i，m}是第i个输入特征映射O_i的第m个单元，q_ {j，m}是卷积的第j个特征映射Q_j的第m个单元层，w_ {i，j，n}是权重向量的第n个元素，w_ {i，j}，将输入的第i个特征映射连接到卷积层的第j个特征映射，F称为过滤器大小，它是卷积层的每个单元接收的输入带的数量。

到目前为止好：

我基本上从这个理解是什么，我已经试过这个形象来说明。

这在我看来，他们在做什么实际处理的所有数据在所有的特征图点多达F和。基本上都是在x-y方向上移动，并从中计算点。

基本上2d卷积在尺寸为（I×F）的二维图像上的滤波器等于图像大小？ 体重在这里似乎没有任何不同。

那么，为什么我问这个在这里..

我想实现这一点，我不确定自己在做什么，其实只是基本的卷积，其中滑动窗口饲料喂养保持新数据，还是他们做的不是正常的卷积，这意味着我需要设计一个特殊的层，做这个操作？...

Answer 1

是的，他们只是使用通常的卷积。你可能会更容易看第54页，他们在那里简化了等式。下面是相关截图：

正如你可以看到，他们在这里描述的是仅仅是典型的卷积运算符。