Page 7 - Vol.45
P. 7
圖1、⒜傳統機器學習及深度學習方法比較示意圖 [20] ; ⒝利用多層次卷積運算，漸次掌握人臉偵測之重要圖像特徵 [23]
在所有近年來發展的深度學習類神經網路運算型態 號(target query sequence)，也可以用來表示二維圖像上一種
中，最知名也是影響最深遠的莫過於卷積運算(Convolution 特定的圖像形式(target image pattern)。另外，卷積運算最後
Operation)，而大量採用卷積運算的深度學習網路則稱為深度 輸出值的大小，代表了待搜尋樣態發生於一維或二維資料上特
卷積類神經網路(Deep Convolution Neural Network, DCNN)。 定區段的顯著性。有趣的是，從過往視覺化卷積運算的研究成
[13]
圖2⒜及⒝分別示意卷積運算在一維序列及二維影像陣列上的 果 中，我們可以發現當多層次的卷積運算逐漸往上推疊時，
[12]
運算方式 。不論是 圖2⒜及⒝兩種中的哪一種，讀者可以發 越下層(淺層)的卷積運算參數所學到的圖像樣態，會越接近簡
現卷積運算的操作類似於傳統向量內積運算，先將兩段資料的 單的幾何線條與紋理，並且把這些低階、簡單的結構及紋理特
分量元素相乘，再取各分量相乘後的積進行相加做為最後的 徵做為更上層卷積運算的輸入。而越上層(深層)的卷積運算參
輸出。與內積運算的效果相同，卷積運算非常適合用來量化 數學到的，則是將這些簡單低階特徵組成更高階的圖像樣態，
兩向量間的相似性及相關性(similarity and correlation)。不論是 進行後續的樣態搜尋比對。如 圖1⒝示意圖以人臉偵測為例，
在一維的時序性資料分析或是二維的圖像識別應用上，卷積 淺層(Layer 1)的卷積運算著重偵測簡單的紋理及幾何線條，越
運算中的卷積核(convolution kernel)，或是是稱卷積核濾波器 是深層的卷積運算則是將淺層找到的樣態，逐漸拼接成具有應
(convolution filter)，它內部的分量值就是用來描述想要進行搜 用意義的五官(Layer 2)及具體人臉(Layer 3)等樣態。
尋及比對的目標樣態，它可以是一小段一維時序上待搜尋的訊
圖2、卷積運算計算式與示意圖⒜1-D時間序列 [12] ; ⒝2-D影像資料
FACILITY JOURNAL 03 2022 5
