畳み込み層の入力チャネルと出力チャネルの違い

Question

畳み込み層の入力チャネルと出力チャネルの違いについて

「ゼロから作るDeep Learning」を読み終えたばかりの初心者です。

以下の論文中に下図のようなモデル図がありました。

中段左のAverage Poolingの出力が9x9x512ですが、その後(だと思うのですが)に通るconv1層の出力が9x9x128となっています。

これは、conv層は1x1x512のフィルターが128個重なっていて、この層を通った結果9x9x128になったという認識であっていますでしょうか？

この分野にもteratailでの質問にも慣れておらず、不自然な点があれば申し訳ありません。

Y. Zhang, "Similarity Image Retrieval Model based on Local Feature Fusion and Deep Metric Learning," 2020 IEEE 5th Information Technology and Mechatronics Engineering Conference (ITOEC), 2020, pp. 563-566, doi: 10.1109/ITOEC49072.2020.9141871.

Answer 1

畳み込み層の入出力関係
で、K=512, M=128, W=H=W'=H'=9 の場合です
その内の「畳み込み層」のM=128個あるフィルタの、一つだけの処理を抜き出したのが
畳み込み処理の例
で、縦に三つ並んでるのを512個に増やして、入力が5x5なのを9x9に変えて、フィルタが3x3なのを1x1に変えて、出力が3x3なのを9x9に変えた場合です

Comments

[jtmk]

理解できました！ありがとうございます