Zero Padding（零填充）——在卷积神经网络中的作用？

Zero Padding在卷积神经网络中的作用？

最近一直在考虑位置编码的问题？为什么要位置编码？位置信息在哪里？之前也整理了位置编码的不同情况，但是追根溯源，位置信息来自哪里？

通过阅读查找，也找到了一系列学习资源：

• 资源1：ViT 进展汇总思维导图
• 资源2：How do neural networks see depth in single images?（论文阅读）
• 资源3：Zero Padding In Convolutional Neural Networks

---

Where does position information come from ? (位置信息在哪里？)

• 在阅读文献后，短暂的到了一个解读：the padding near the border delivers position information to learn.也就是说是 padding？
• zero_padding is widely used in convolutional layers to maintain the same spatial dimensiions for the input and output, with a number of zeros added at the beginning and at the end of both axes, horizontal and vertical.-Zero_padding被广泛使用在卷积层中，以保持输入和输出的相同空间维度，在水平轴和垂直轴的开始和结束处都添加了0。

---

感觉自行翻译还有所缺失，也并未实质化理解？也就有了下面的学习：

零填充的动机：图像边缘信息的丢失——保护

• 在CNN中，通常会使用过滤器（卷积核）来实现图像的卷积，从而实现图像的降维，即图像缩小了，重点来了：图像边缘的信息卷积后会出现什么情况呢？

图像边缘的信息卷积后会出现什么情况呢？对比分析下图不难看出，图像的缩小了，同时图像原本红色靠图像边缘区域的内容被忽略了一部分，试想，这还是因为主要内容在图像中间，如果重点内容在图像边缘，那就很容易丢失大量信息！！！！

零填充实际上是什么细节：

零填充是一种允许保留原始输入大小的技术。可以在每卷积层的基础上指定。对于每个卷积层，就像定义过滤器和过滤器的大小一样，可以指定是否使用填充。