在使用CNN时，我们能否明确指定要从图像中提取的特征

Question

昨天我学习了卷积神经网络，并使用Tensorflow完成了一些CNN的实现，所有的实现都只指定了过滤器的大小、数量和步长。但当我了解到过滤器时，它说每一层上的过滤器都会提取不同的特征，如边、角等。

我的问题是，我们能否明确指定过滤器，我们应该提取哪些特征，或者图像的哪个部分更重要等等

所有的解释都是说，我们将输入图像的一小部分进行卷积滑动。如果是这样的话，我们是否要获取图像的所有部分并在图像上进行卷积？

Answer 1

在这个汽车识别示例中，您可以看到一些早期的通道拾取汽车的引擎盖、车门和其他边界。很难真正指定网络正在提取哪些特征。如果您已经了解对网络很重要的功能，可以将其作为附加遮罩层或使用某种类型的权重矩阵输入。

Answer 2

我们是否可以明确指定过滤器，我们应该提取哪些特征，或者图像的哪个部分更重要等等

当然，这是可以做到的。但CNN的优势在于，他们可以自己学习最好的特性（或者至少是非常好的特性；在大多数情况下比我们能想到的更好）。

一个著名的例子是ImageNet数据集：

2012年，使用了第一个端到端学习的CNN。端到端意味着网络在一端获取原始数据作为输入，在另一端获取优化目标。

在CNNs之前，计算机视觉社区多年来一直使用手动设计的html" target="_blank">功能。在2012年AlexNet之后，没有人这样做（对于“典型的”计算机视觉，有些特殊应用仍然值得一试）。

所有的解释都是说，我们将输入图像的一小部分进行卷积滑动。如果是这样的话，我们是否要获取图像的所有部分并在图像上进行卷积？

它总是用一个小过滤器卷积的完整图像。卷积运算是局部的，这意味着您可以并行计算它的大部分，因为左上角的卷积结果不依赖于左下角的卷积。