📚 Önemli Terim

🎀 Konvolüsyon Örneği

🤔 -7'yi nasıl bulduk?

element wise çarpma yaptık, sonra sonuç matrisinin toplamını hesapladık; yani:

3*1 + 1*0 + 1*(-1)
+
1*1 + 0*0 + 7*(-1)
+
2*1 + 3*0 + 5*(-1)
=
-7

Ve diğer elemanlar için bu şekilde devam eder 🙃

👼 Hesaplamayı Görselleştirme

🔎 Kenar Algılama

Konvolüsyon işleminin bir uygulaması

🔎 Kenar Algılama Örnekleri

Sonuç: yatay çizgiler ortaya çıkıyor

Sonuç: dikey çizgiler ortaya çıkıyor

🙄 Ya Diğer Sayılar?

Filtrenin elemanlarına sayı koyabileceğimiz pek çok yol var.

Örneğin, Sobel filtresi bu şekildedir:

1   0   -1
2   0   -2
1   0   -1

Scharr filtresi de bu şekildedir:

3    0   -3
10   0   -10
3    0   -3

Prewitt filtresi:

-1   0   1
-1   0   1
-1   0   1

Yani buradaki kritik nokta orta satıra dikkat etmek.

Ve Roberts filtresi:

1    0
0   -1

✨ Başka Bir Yaklaşım

Bu sayıları ML yaklaşımı ile ayarlayabiliriz; Filtrenin bir ağırlık grubu olduğunu diyebiliriz, yani:

w1    w2   w3
w4    w5   w6
w7    w8   w9

Bu sayede, elle elde etmek yerine otomatik olarak yatay, dikey, açılı veya herhangi bir kenar tipini öğrenebiliriz.

🤸‍♀️ Hesaplamalı Detaylar

n*n'lik bir resmimiz varsa ve f*f'lik bir filtre uygulamak istersek, sonuç resmi n-f+1*n-f+1 boyutunda olacaktır

😐 Olumsuz Yanları

1. 🌀 Çok fazla filtre uygularsak, görselimiz küçülür.

2. 🤨 Köşelerdeki piksellere yeterince dokunulmadığından, görüntünün kenarlarından birçok bilgi göz ardı ediliyor

💡 Çözüm

Resimlere Dolgulama işlemini uygulayabiliriz 💪

🌞 Yazının Aslı

• ​Burada 🐾​

🧐 Referanslar

• ​More on Convolutional Neural Networks​