图像处理中的滤镜是什么？

在图像处理（以及通常的信号处理）的上下文中，内核（也称为过滤器）用于对图像执行一些特定的操作。例如，您可以使用高斯滤波器来平滑图像（包括其边缘）。

CNN 中的过滤器是什么？

在卷积神经网络 (CNN) 的上下文中，过滤器（或内核）是模型的可学习参数。

在训练之前，内核通常是随机初始化的（因此它们通常不是硬编码的）。在训练过程中，根据网络的损失或错误（根据损失函数），更新内核（或过滤器），以最小化损失（或错误）。训练后，它们通常是固定的。令人难以置信的是，CNN 学习的过滤器可以类似于Gabor 过滤器（这被认为与我们的视觉系统有关 [ 1 ]）。请参见Goodfellow 等人的《深度学习》一书第 9 章（第 365 页）的图 9.19。

在 CNN 中应用于给定输入（并且经常应用多个内核）的内核数量是一个超参数。

有什么不同和相似之处？

在这两种情况下，“内核”和“过滤器”这两个词大致是同义词，因此它们经常互换使用。此外，在这两种情况下，内核都与卷积（或互相关）操作有关。更具体地说，过滤器的应用，它是一个函数$h$, 到一个输入，这是另一个函数$f$, 相当于卷积$f$和$h$. 在数学中，这通常表示为$f \circledast h = g$， 在哪里$\circledast$是卷积算子并且$g$是卷积运算的结果，通常称为卷积（的$f$和$h$）。在图像处理的情况下，$g$是过滤后的图像。在 CNN 的情况下，$g$通常称为激活图。

进一步阅读

看看这个和这个答案，分别了解关于 CNN 和卷积操作的更多细节。

您可能还想查看Visualizing what ConvNets learn ，了解有关在 CNN 训练期间学习的内核的可视化的一些信息。

如果您正在寻找具有已知效果的过滤器，高斯过滤器会进行平滑处理，Gabor 过滤器可用于边缘检测等。

通常，在从头开始训练事物的深度学习模型中，过滤器是随机初始化的，然后通过模型的训练方案学习。在大多数情况下，不使用上述任何众所周知的内核。

大部分情况下的澄清：所以过滤器的初始化不是为了确切地知道它将激活哪个功能，而是什么将有助于训练过程。最近，人们甚至通过找到好的初始点来训练带或不带批归一化的 ResNet——这是一个正在进行的研究领域。