CNN与gabor滤波器的关系答案

【问题标题】：Relation between CNN and gabor filterCNN与gabor滤波器的关系
【发布时间】：2019-12-02 22:40:16
【问题描述】：

我正在学习使用 gabor 过滤器从图像中提取方向和比例相关的特征。另一方面，卷积神经网络还可以提取包括方向和尺度在内的特征，是否有证据表明 CNN 中的过滤器具有与 gabor 过滤器相似的功能？或者两者的优缺点。

【问题讨论】：

【解决方案1】：

以我个人的经验，在传统的深度学习架构（比如 AlexNet）中，当靠近开始的层被可视化时，它们非常类似于 gabor 过滤器。

对预训练的 AlexNet 的前两层进行可视化（取自 Andrej Karpathy 的 cs231n.github.io）。一些学习到的过滤器看起来与 Gabor 过滤器完全一样。所以是的，有证据表明 CNN 的工作方式（部分）与 Gabor 滤波器相同。

一种可能的解释是，由于深度 CNN 开头的层用于提取低级特征（例如纹理变化），因此它们执行与 Gabor 滤波器相同的功能。诸如检测频率变化之类的特征是如此基本，以至于无论模型训练的数据集类型如何，它们都存在。（迁移学习成为可能的部分原因）。

但是，如果您拥有更多数据，则可以让深度 CNN 学习比 Gabor 过滤器更多的高级特征，这对于您提取这些特征的任务（例如分类）可能更有用。我希望这能提供一些澄清。

【讨论】：