吴恩达深度学习第4课 1.3：更多边缘探测

视频封面

视频元信息

课程：吴恩达深度学习专项课程（Deep Learning Specialization）
章节：卷积神经网络（CNN）第一周 1.3 更多边缘探测
时长：约 7 分钟

内容摘要（TL;DR）

本节延续垂直/水平边缘检测的讨论，引入更多类型的边缘检测：通过翻转滤波器可检测由亮到暗与由暗到亮的边缘（正负号差异），并指出滤波器参数可以通过反向传播从数据中学习，而非人工固定。这是 CNN 从「手工设计滤波器」走向「自动学习特征」的关键一步。

一、回顾：垂直边缘检测与正负边缘 [00:02]

在上一节中，我们使用一个 3×3 的垂直边缘检测滤波器（filter/kernel）在 6×6 的图像上做卷积，得到了一个 4×4 的输出特征图。

垂直滤波器示例（亮→暗边缘）：
- 第一列全为 1，第二列全为 0，第三列全为 -1
- 当图像从左到右由亮变暗时，输出为正的大值
水平滤波器示例：
- 第一行全为 1，第二行全为 0，第三行全为 -1

考点：卷积运算的本质是滤波器与图像局部区域逐元素相乘再求和。

理解：滤波器相当于一个「模式匹配器」，它在图像上滑动，检测是否存在某种局部模式（如边缘）。

二、由亮到暗 vs 由暗到亮：边缘的方向性 [01:40]

关键观察：同一条边缘，如果明暗方向相反，卷积输出的符号也会相反。

当图像区域由亮到暗（左亮右暗）时，垂直滤波器输出为正值（如 +30）
当图像区域由暗到亮（左暗右亮）时，同一滤波器输出为负值（如 -30）

易错点：边缘检测不仅关心「有没有边缘」，还关心「边缘的方向」（明暗过渡方向）。

输出值的正负号编码了边缘的方向信息，绝对值大小编码了边缘的强度。这是理解后续 CNN 特征表达的基础。

三、翻转滤波器：检测相反方向的边缘 [02:00]

如果只想要检测「由暗到亮」的边缘，可以把滤波器水平翻转（flip）：

原滤波器：[1, 0, -1]（按列）→ 检测亮→暗
翻转后：[-1, 0, 1]（按列）→ 检测暗→亮

推导：卷积输出 = Σ(滤波器元素 × 图像对应元素)。翻转滤波器后，符号整体取反，因此原本输出负值的区域变为正值。

拓展：在数学上，卷积（convolution）与互相关（cross-correlation）在严格定义上相差一次翻转。深度学习框架（如 TensorFlow、PyTorch）中实现的其实是互相关，但习惯上仍称为「卷积」。这一点在吴恩达课程中也有特别说明。

四、更多边缘检测的变体 [03:00]

除了标准的垂直/水平 Sobel 滤波器外，还可以设计其他滤波器：

Sobel 滤波器：[1,0,-1; 2,0,-2; 1,0,-1]，中间行权重更大，对噪声更鲁棒
Scharr 滤波器：[3,0,-3; 10,0,-10; 3,0,-3]，进一步增强中心行权重
Roberts 交叉滤波器：检测对角线方向的边缘

考点：不同滤波器对边缘的响应强度不同，Sobel 和 Scharr 通过加权中心行来抑制噪声。

五、核心思想：滤波器参数可以被学习 [05:17]

这是本节最重要的思想转变：

转录中可辨识的英文片段： "when you just wanna detect ... in some complicated image ... you don't need to ... picked these nine numbers ... treat numbers ... as parameters ... learn from them using Back Propagation ... learn the learning parameters"

核心结论：