卷积核 (Convolution Kernel)

一句话理解

滑动窗口,在图像上扫描提取局部特征——卷积核是CNN的”眼睛”,通过参数化的滤波器从图像中提取边缘、纹理、形状等特征。

零基础理解

想象你用手电筒照一张大图,每次只能看到手电筒光圈范围内的一个小区域。你移动手电筒(滑动),每次记录光圈内的内容(加权求和),最终拼出一张”特征图”。卷积核就是这个手电筒的光圈——它定义了每次观察的范围和方式。

核心概念

卷积核的基本参数

参数	含义	典型值	影响
核大小 (Kernel Size)	滑动窗口的尺寸	3x3, 5x5, 7x7	越大感受野越大,参数量也越大
步长 (Stride)	每次移动的像素数	1, 2	步长>1时下采样,减小特征图尺寸
填充 (Padding)	边缘补零的圈数	0 (valid), 1 (same)	“same”保持尺寸不变
输入通道数 ( $C_{in}$ )	输入特征图的通道数	3(RGB), 64, 128	必须与输入数据的通道数一致
输出通道数 ( $C_{o u t}$ )	卷积核的数量	64, 128, 256	每个核产生一个输出通道

卷积输出尺寸计算

H_{o u t} = ⌊ \frac{H _{in} + 2 P - K}{S} ⌋ + 1

其中 $H_{in}$ 为输入高度, $P$ 为填充, $K$ 为核大小, $S$ 为步长。

参数量与计算量

一个标准卷积层的参数量: $K \times K \times C_{in} \times C_{o u t}$

计算量(FLOPs): $2 \times K \times K \times C_{in} \times C_{o u t} \times H_{o u t} \times W_{o u t}$

不同卷积核提取不同特征

特征层级

层级	提取的特征	卷积核表现	示例
浅层 (Layer 1-3)	边缘、颜色、纹理	检测水平/垂直/对角线边缘	Gabor-like滤波器
中层 (Layer 4-7)	形状、局部模式	组合边缘形成角点、圆形等	猫耳朵、眼睛
深层 (Layer 8+)	语义概念、物体部件	检测完整物体或部件	人脸、车轮

经典手工卷积核 vs 学习卷积核

对比维度	手工设计卷积核	学习卷积核 (CNN)
设计方式	人工定义数值(如Sobel, Gabor)	通过反向传播自动学习
灵活性	固定功能,不可适应数据	根据任务和数据自动调整
可解释性	高,知道每个核做什么	低,难以直接解释
性能	特定任务尚可	远优于手工设计

卷积核变体

1x1 卷积 (Pointwise Convolution)

核大小为1x1,不提取空间特征,仅做通道间的线性组合。

作用: 降维/升维(改变通道数),增加非线性,减少参数。在Inception和ResNet中广泛应用。

深度可分离卷积 (Depthwise Separable Convolution)

将标准卷积拆分为两步:

深度卷积 (Depthwise): 每个输入通道独立卷积, $K \times K \times 1$ 核
逐点卷积 (Pointwise): 1x1卷积混合通道

优势: 参数量从 $K^{2} C_{in} C_{o u t}$ 降到 $K^{2} C_{in} + C_{in} C_{o u t}$ , 约为原来的 $\frac{1}{C _{o u t}} + \frac{1}{K ^{2}}$ 。

MobileNet系列的核心技术。

空洞卷积 (Dilated / Atrous Convolution)

在卷积核元素之间插入空洞(间隔),在不增加参数的情况下扩大感受野。

膨胀率	有效核大小	感受野(3x3核)	应用
1	3x3	3x3	普通卷积
2	5x5	7x7	语义分割(DeepLab)
3	7x7	13x13	密集预测任务
4	9x9	21x21	大范围上下文

转置卷积 (Transposed Convolution)

上采样操作,常用于图像生成和语义分割的上采样路径。

卷积核变体对比

卷积类型	参数量	感受野	通道交互	代表模型
标准卷积	$K^{2} C_{in} C_{o u t}$	小	全通道	ResNet, VGG
1x1卷积	$C_{in} C_{o u t}$	1x1	全通道	Inception, ResNet
深度可分离	$K^{2} C_{in} + C_{in} C_{o u t}$	小	分步	MobileNet, Xception
空洞卷积	$K^{2} C_{in} C_{o u t}$	大	全通道	DeepLab
转置卷积	$K^{2} C_{in} C_{o u t}$	大	全通道	GAN, U-Net
分组卷积	$K^{2} \frac{C _{in}}{g} \frac{C _{o u t}}{g} g$	小	分组内	ResNeXt

2026年: 卷积核在CNN中仍不可替代

虽然ViT(Vision Transformer)兴起,但卷积核在以下方面仍有优势:

维度	CNN(卷积核)	ViT(注意力)
归纳偏置	内置的平移等变性和局部性	需要大量数据学习
小样本性能	好	差(需要大规模预训练)
计算效率	高(局部操作)	低(全局注意力 $O (n^{2})$ )
边缘设备	成熟部署方案	仍在优化中
2026年共识	局部特征提取的最佳选择	全局上下文建模的最佳选择

趋势: ConvNeXt、RepLKNet等工作表明,纯CNN架构在引入现代训练技术后可以达到与ViT相当的性能。2026年的主流架构开始融合两者优势(如Convolution + Attention的混合架构)。

来源

Krizhevsky et al., “ImageNet Classification with Deep Convolutional Neural Networks” (2012) — https://papers.nips.cc/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html
He et al., “Deep Residual Learning for Image Recognition” (2015) — https://arxiv.org/abs/1512.03385
Howard et al., “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications” (2017) — https://arxiv.org/abs/1704.04861
Liu et al., “A ConvNet for the 2020s” (ConvNeXt, 2022) — https://arxiv.org/abs/2201.03545
CS231n Convolutional Neural Networks for Visual Recognition — https://cs231n.github.io/convolutional-networks/