卷积（Convolution）是一种数学运算，常用于信号处理和图像处理领域，也在深度学习中的卷积神经网络（CNN）中发挥着关键作用。简单来说，卷积是通过在两个函数之间滑动并在每个位置上计算它们的积分来生成一个新的函数。
在图像处理中，卷积通常用于图像的特征提取。
人体运动识别是计算机视觉研究中的经典问题，因其在人机交互、医疗监护和视频监控等场景的应用而受到广泛关注。基于图卷积网络自动提取骨架图序列的时空特征用于人体运动识别的方法，已经取得了很大进展。
CNN是有权值共享和部分感受野以及不完全连接的特殊神经网络。
卷积层输入输出的尺寸关系到底是什么样的？
本文介绍了图卷积如何表示为多项式，以及如何使用消息传递机制来近似它。
CNN在图像识别、目标检测和语义分割等多个计算机视觉领域有着广泛的应用。
如果你听说过转置卷积并对它的实际含义感到困惑，这篇文章就是为你写的。
近期，清华大学图形学实验室的博士后黄石生、助理研究员穆太江等和香港城市大学傅红波教授合作，提出了一种基于超体素卷积的在线三维语义分割的方法，该方法在在线场景下的三维语义分割准确性、效率性两方面达到了当前最好的水平。
你可能听说过图卷积，因为它在当时是一个非常热门的话题。虽然不太为人所知，但网络传播是计算生物学中用于网络学习的主要方法。在这篇文章中，我们将深入研究网络传播背后的理论和直觉，我们也将看到网络传播是图卷积的一种特殊情况。
使用全连接层的网络来分类图像是很奇怪的，因为这样的一个网络架构不考虑图像的空间结构。所以一个很直接的考虑就是引入图像的一种空间关系来构建神经网络，也就是这里要介绍的卷积神经网络（CNN）。
卷积操作是卷积神经网络提取特征的主要手段之一，当前各种卷积操作层出不穷，根据场景各有优势。本文将对常见的几种卷积操作的特性进行简要对比。