1樓：味噌湯小王子
Kernel如果是對稱的，cross-correlation跟convolution恰好效果是一樣的。
如果水平垂直翻轉kernel的話，convolution就可以通過cross-correlation來進行。
2樓：J.Goodtoomuch
互相關函式和卷積運算幾乎一樣，但沒有對核進行翻轉。
很多資料把互相關函式稱為卷積。
如截圖所示（圖中最開始公式是二維離散卷積的例子）：
截圖來自《深度學習》
3樓：黒白
原文：The mechanics of convolution are the same, except that the filter is first rotated by 180°.
3.4.2-Spatial Correlation and Convonlution-Digital Image Processing 3ed Gonzalez
4樓：鄧潮
matlab help中對filter2函式的解釋裡有如下一句話，講解了相關和卷積的區別：
Remarks
Two-dimensional correlation is equivalent to two-dimensional convolution with the filter matrix rotated 180 degrees. See the Algorithm section for more information about how filter2 performs linear filtering.
相關的計算步驟：
（1）移動相關核的中心元素，使它位於輸入影象待處理畫素的正上方（2）將輸入影象的畫素值作為權重，乘以相關核（3）將上面各步得到的結果相加做為輸出
卷積的計算步驟：
（1）卷積核繞自己的核心元素順時針旋轉180度（2）移動卷積核的中心元素，使它位於輸入影象待處理畫素的正上方（3）在旋轉後的卷積核中，將輸入影象的畫素值作為權重相乘（4）第三步各結果的和做為該輸入畫素對應的輸出畫素
5樓：開糖
考慮這樣乙個事兒：第一天，你丟了100塊錢，因為這個事兒你會難過四天，第五天才完全不難過；第二天你又丟了100塊，因為丟錢難過持續的時間也是四天，所以，你到第六天的時候，第二天丟錢的事兒才會完全不難過了；不幸的是你第三天又丟了100塊，難過持續的時間還是四天。請問，第四天你有多難過？
答案是，第一天丟錢的難過程度到第四天變成x1，第二天丟錢的難過程度到第四天是x2，第三天丟錢的難過程度到第四天是x3，第四天總的難過程度就是x1+x2+x3。換種說法，t時刻的輸出不僅與當前時刻的輸入有關，而且與前面時刻的輸入也有關。這就是卷集！
卷集畫圖的時候之所以要把乙個訊號翻轉，就是因為這樣可以描述之前時刻的輸入。橫座標是時間，求t時刻的輸出，就得算出t時刻之前的訊號的輸出響應。翻轉後，早發生的訊號在座標軸上平移就先與固定座標的訊號發生作用。
你可以理解為「先進先出」。
總之，所謂卷機描述的是當前時刻的輸出不僅與當前時刻的輸入有關，而且與前面時刻的輸入有關。
6樓：
確定有很多資料把卷積寫成cross-correlation麼？要理解卷積和相關的含義可以先去看岡薩雷斯的數字影象處理，裡面講得很清楚。相關的話還可以拿來做匹配用，卷積應該是沒有這個效果的
作為醫學影像小白乙隻，已有數字影象處理知識儲備，研究方向為醫學成像原理，推薦的醫學知識書籍有哪些？
比鄰 你可以先答題了解一下各個成像的特點，在深入某乙個。超聲是反射成像，ct，pet等是radon變換，mri是fourier變換，oct是利用光學相干 陳力 我說醫學方向的吧，找乙個靠譜點的斷層解剖學圖譜，認真看看各種成像方式所呈現的斷層影象和解剖影象的關係，然後利用技術手段使要觀察的組織或器官顯...
使用卷積神經網路處理影象時，使用資料增強和不使用（最終影象數量一樣），理論上哪個效果會更好？
Alex Sun 其他回答的答主都自己跑過實驗嗎?笑死我了 Data Augmentation在絕大多數情況下帶來的在test set上的提公升是顯著的。一般來說，在classification,detection，segmentation等task上。樓主可以嘗試運用 Mirror Flip,Ra...
卷積神經網路中卷積核的翻轉 全連線層的處理和反向傳播的詳細過程？
軒轅十四 1.前向傳播和反向傳播都不用。按計算圖走就是了。所謂的翻轉180 應該是指matlab程式設計需要。2.關於你說送入全連線層時要不要展成列向量？要根據你的資料結構的決定，如果你的全連線層的輸入資料結構是向量，那就要展成向量 3.第三個問題，我理解你的意思是梯度流動沒搞明白。所以反向傳播過程...