1. 为什么目标检测不直接看原图，而要先做卷积

先说一句最核心的话：

原图只是像素堆，不能直接等于“语义理解”。

比如一张猫的图片，在计算机里本质上只是很多数字。
神经网络如果想知道：

  • 哪里有边缘

  • 哪里有纹理

  • 哪里像耳朵

  • 哪里像眼睛

  • 哪一片区域更像“猫”

它就不能一直停留在原始像素层面，而要一步一步把原图变成更“有意义”的表示。

这个“逐层提炼信息”的过程，CNN 里最核心的工具之一就是：

卷积

2. 卷积到底是在干什么

先别急着上公式，先用一句人话说：

卷积就是拿一个小窗口，在图像上滑动，每到一个位置就做一次局部计算。

这个小窗口通常叫：

  • 卷积核

  • kernel

  • filter

它的作用可以粗糙理解成：

专门去看某种局部模式

比如有的卷积核更容易对：

  • 水平边缘

  • 垂直边缘

  • 纹理变化

  • 亮度突变

产生强响应。

所以卷积不是“看整张图”，
而是：

先看局部，再逐层组合成更复杂的理解

3. 一个最简单的卷积公式

卷积最基础的表达可以写成：

y(i,j)=\sum_{m}\sum_{n} x(i+m,j+n)\cdot w(m,n)+b

现在不用怕这个式子，我们拆开看。

这个公式里每个字母是什么意思

(x(i+m,j+n))

表示输入图像某个局部位置上的像素值。

(w(m,n))

表示卷积核里的权重。

(b)

表示偏置项。

(y(i,j))

表示输出特征图在位置 ((i,j)) 上的值。

这条公式本质在做什么

本质上就是：

把输入图像的一小块区域，和卷积核对应位置相乘，再全部加起来，最后再加一个偏置。

也就是：

局部区域 × 卷积核 → 求和 → 得到一个输出值

可以把它理解成一种“局部匹配打分”。

如果某一块区域和这个卷积核特别匹配，
那输出值就可能比较大；
如果不匹配，输出值就可能比较小。

4. 为什么卷积能提特征

卷积之所以能提特征，不是因为它能一下子“看懂整张图”，
而是因为它会对图像做逐层、逐步的特征提取与组合。

最开始输入网络的，只是原始图像的像素值。
这些像素本身只是一些数字，网络并不知道图里是什么物体，也不知道哪些部分更重要。
卷积层的作用，就是从这些原始像素中，一步一步提取出更有意义的表示。

在浅层，网络通常先提取一些比较基础的局部信息，比如：

  • 边缘
  • 纹理
  • 颜色变化
  • 简单的局部形状

这些信息通常被称为低层特征（Low-level features）。
它们更接近图像本身的视觉细节，能够帮助网络先分辨出“哪里有结构变化、哪里有明显模式”。

随着网络继续加深，前面得到的低层特征会被进一步组合。
这时网络不再只关注单独的边缘或纹理，而是开始识别更复杂的局部结构，比如某些局部部件、局部区域组合或更完整的小形状。
这些通常被称为中层特征（Mid-level features）。

再往后，随着卷积层继续堆叠，这些中层结构还会进一步组合，逐渐形成更抽象、更接近语义层面的表示。
这时网络开始不仅仅知道“这里有一条边、那里有一块纹理”，而是逐渐能够理解“这一部分像某个物体部件”“这一整块区域可能对应某个完整目标”。
这些通常被称为高层特征（High-level features）。

所以，从原始像素到最终的高层表示，CNN 实际上经历的是一个不断重复的过程：

提取局部特征 → 组合已有特征 → 形成更高层次的特征

这也是为什么我们常说 CNN 是一种层级式特征提取器。
它不是直接从像素跳到“识别结果”，而是先提取低层特征，再形成中层特征，最后逐步得到高层语义特征。

5. 什么叫特征图 feature map

卷积做完后，不会直接输出“猫”或者“狗”。
它先输出的是：

特征图

特征图你可以理解成：

某种特征在整张图上各个位置的响应分布图

比如有一个卷积核特别擅长看“竖直边缘”，
那它卷积之后得到的一张特征图，就可以理解成：

这张图里哪里更像竖直边缘，哪里不像

所以特征图不是原图，而是原图经过某种特征提取之后得到的新表示。

6. 为什么卷积后会有很多通道

原图一般是：

  • 灰度图：1 个通道

  • 彩色图：3 个通道（RGB）

但卷积之后，输出往往会变成很多通道，比如：

  • 16 通道

  • 32 通道

  • 64 通道

  • 128 通道

为什么？

因为：

一个卷积核只能提一种模式，多个卷积核才能提多种模式

如果一层里有 64 个卷积核，那通常就会输出 64 张特征图。把这些特征图叠起来，就形成了一个多通道输出。

所以可以把“通道数变多”理解成：

模型在同时提取越来越多种不同类型的特征

7. 多通道卷积怎么理解

如果输入不是单通道，而是多通道，比如 RGB 图像，
那卷积就不是只看一个二维小块，而是看一个“带厚度的小块”。

比如输入是 3 通道，卷积核可能是：

3\times 3\times 3

这里的意思不是“三个卷积核”，而是：

  • 高 3

  • 宽 3

  • 深度覆盖 3 个输入通道

最后这个卷积核会在三个通道上一起做计算，
然后合成一个输出值。

所以更准确地说：

卷积核不只是看平面，还会同时看所有输入通道

8. 输出尺寸怎么变：一个最常见公式

卷积后特征图大小怎么变，这是技术汇报里经常会提到的。

最常见公式是：

O=\left\lfloor \frac{N-K+2P}{S}\right\rfloor +1

这里：

  • (N)：输入尺寸

  • (K)：卷积核大小

  • (P)：padding

  • (S)：stride

  • (O)：输出尺寸

它在回答一个问题：

输入经过卷积后，输出特征图还剩多大

比如输入宽高是 (640)，
卷积核大小 (3)，
stride 是 (1)，
padding 是 (1)，

那么输出还是 (640)。

因为：

O=\left\lfloor \frac{640-3+2\times1}{1}\right\rfloor +1=640

这就是为什么很多(3\times3)卷积，如果配了合适 padding，输出尺寸可以不变。

9. stride 是什么

stride 就是：

步长

你可以理解成卷积核每次滑动时走几步。

stride = 1

表示每次只移动 1 个像素，扫得更细。

stride = 2

表示每次移动 2 个像素，扫得更快，但输出会变小。

所以 stride 变大，通常意味着：

  • 输出特征图尺寸减小

  • 计算量下降

  • 信息会更粗一些

这就和下一个概念紧密相关：

下采样

10. 下采样到底在干什么

下采样可以先理解成一句话：

把特征图尺寸缩小

比如：

  • 640\times640 变成 320\times320

  • 320\times320 变成 160\times160

这样做的原因主要有两个：

1. 降低计算量

特征图太大，后续计算会很慢。

2. 扩大感受范围

特征图缩小后，后面的一个点往往对应原图更大范围的信息。

所以在 CNN 里，下采样不是“单纯压缩图片”，
而是：

在保留主要信息的同时，让网络逐步看到更大范围的上下文

11. 下采样通常怎么做

常见方法有两个：

方法 1：stride > 1 的卷积

比如 stride=2 的卷积。
它在做特征提取的同时，也把尺寸缩小了。

方法 2：池化 pooling

比如 max pooling。

最大池化的意思是：
在一个小区域里，只保留最大的值。

一个简单形式可以写成：

y(i,j)=\max_{(m,n)\in \Omega} x(i+m,j+n)

意思是：

在某个局部窗口 \Omega 内，取最大值作为输出。

  • 卷积下采样：更灵活，也能学参数

  • 池化下采样：更简单，参数少

现代检测网络里，经常更偏向用卷积来完成下采样。

12. 感受野 receptive field 是什么

感受野可以简单理解成：

特征图上某个位置，能“看到”原图多大范围。

比如：

  • 浅层某个点，可能只对应原图一小块区域

  • 深层某个点，可能对应原图很大一片区域

随着网络变深、经过多次卷积和下采样，感受野通常会越来越大。

这意味着什么？

意味着深层特征更容易整合全局信息，更有机会理解“这个局部到底属于什么目标”。

13. 为什么浅层适合小目标，深层适合大语义

浅层特征

  • 分辨率高

  • 位置细节保留多

  • 更适合小目标、边缘、细节

深层特征

  • 分辨率低

  • 语义更强

  • 更适合整体理解、大目标判断

所以检测网络不能只用最后一层。
因为最后一层虽然语义强，但很多细节已经没了。

这也是为什么后面会需要：

  • FPN

  • PAN

  • 多尺度特征融合

也就是把浅层和深层的信息结合起来。

14. CNN 一层一层到底在干什么

第一步：从原图提局部基础特征

比如边缘、纹理。

第二步：继续组合成更复杂特征

比如轮廓、局部部件。

第三步：逐渐扩大感受野

让每个位置能结合更大范围的信息。

第四步：得到适合任务使用的高层特征

如果是分类，就拿去做整图判别；
如果是检测，就拿去做位置和类别预测。

所以 CNN 的本质不是“疯狂堆层”，
而是：

逐层把像素表示变成任务可用的特征表示

15. 对 YOLO 来说，这些概念分别对应什么

卷积

负责提取局部特征，是最基础的计算单元。

特征图

是图像经过卷积后的中间表示，供后续检测头使用。

下采样

让特征图逐步缩小，减少计算，同时扩大感受野。

多通道

表示网络在同时提取很多不同类型的特征。

感受野

决定某个位置能结合多大范围的信息，对理解目标整体很重要。

“卷积神经网络为什么适合视觉任务？”

因为卷积通过局部连接和权值共享，能够高效提取图像的空间局部特征；随着网络加深，特征会从低层边缘纹理逐渐过渡到高层语义表示；再结合下采样，网络既能降低计算量，又能扩大感受野，因此适合做图像分类、目标检测这类视觉任务。

16. 这一篇的几个公式

公式 1：卷积的基本形式

y(i,j)=\sum_{m}\sum_{n} x(i+m,j+n)\cdot w(m,n)+b

它表达的是：

卷积核在局部区域上做加权求和，得到输出特征图上的一个值

公式 2：输出尺寸公式

O=\left\lfloor \frac{N-K+2P}{S}\right\rfloor +1

它表达的是：

卷积后特征图尺寸怎么变化

公式 3：最大池化的基本形式

y(i,j)=\max_{(m,n)\in \Omega} x(i+m,j+n)

它表达的是：

在一个局部窗口里取最大响应

17. 本篇小结

原图不是直接可用的语义信息，所以网络需要通过卷积逐层提特征；卷积会生成特征图，多通道表示多种特征；下采样会缩小尺寸、扩大感受野；浅层偏细节，深层偏语义，这正是后面 YOLO 做多尺度检测的基础。

# 计算机视觉 # 人工智能
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

AI修炼记3-RAG

avatar AtomGit开源社区
cover

iOS 27 开放 AI 生态，长距高清传输新引擎 @ACP#GSV5800 筑牢 iPhone AI 显示后端底座

avatar AtomGit开源社区

蒙特卡洛风光场景并通过削减法聚类法得到几个典型场景（包含Matlab代码和Python代码实现）

蒙特卡洛方法是一种基于随机抽样的数值计算方法，通过多次随机抽样来估计系统的行为，从而得到系统的统计性质。在风光模型中，蒙特卡洛方法可以用来模拟风速、风向和太阳光照的变化，进而评估风力和太阳能系统在不同条件下的性能。

avatar AtomGit开源社区