Neuron
- Unità computazionale localizzata in posizione del volume delle attivazioni.
- Non ha pesi propri: utilizza i pesi condivisi di un filtro convoluzionale.
- Produce un valore numerico chiamato attivazione, che indica la presenza di una feature nel proprio campo recettivo.
Activation
- Il valore scalare prodotto da un neurone a valle convoluzione (più eventuale funzione non-lineare).
- Rappresenta “quanto” una certa feature è presente in quella regione dell’input.
Feature
- Può riferirsi a:
- localmente → un singolo valore di attivazione (una feature rilevata in una specifica regione).
- globalmente → l’intera feature map (dove quella feature compare nell’immagine).
Feature Map
- Matrice bidimensionale delle attivazioni generate da un singolo filtro convoluzionale.
- Ogni feature map rappresenta la distribuzione spaziale di una caratteristica appresa.
- Tutti i neuroni in una feature map condividono lo stesso set di pesi.
Filter (Kernel)
- Un tensore di pesi condivisi che viene applicato localmente all’input.
- Ogni filtro è responsabile dell’estrazione di una specifica feature.
- L’applicazione ripetuta di un filtro su tutto l’input produce una feature map.
Filtro vs. Kernel: Una Precisazione Terminologica
Sebbene i termini siano spesso usati in modo interscambiabile, è utile essere precisi:
- Un Kernel è una matrice 2D di pesi (es. ).
- Un Filtro è una collezione di kernel impilati lungo la profondità, la cui dimensione reale è , dove è il numero di canali della feature map di input.
Convolutional Layer
- L’insieme di tutti i filtri applicati all’input.
- Produce un volume di attivazioni di dimensione , dove è il numero di feature map (uno per filtro).
Activation Volume (o Output Volume)
- L’intero tensore tridimensionale generato da un layer convoluzionale.
- È la collezione di tutte le feature map del layer.
Sintesi
- Neuron → produce un’activation
- Molti neuroni + stesso filtro → feature map
- Più filtri → convolutional layer
- Tutte le feature map insieme → activation volume