Convolution 1D dans les réseaux de neurones

Je comprends comment fonctionne la convolution mais je ne comprends pas comment les convolutions 1D sont appliquées aux données 2D.

Dans cet exemple, vous pouvez voir une convolution 2D dans une donnée 2D. Mais comment serait-il si c'était une convolution 1D? Juste un noyau 1D glissant de la même manière? Et si la foulée était de 2?

Je vous remercie!

$x_1, …,x_n$$n$$n=3$

Pour une explication légèrement plus mathématique, vous pouvez consulter Ji Young Lee, Franck Dernoncourt. " Classification séquentielle de texte court avec des réseaux de neurones récurrents et convolutionnels ". NAACL 2016 . section 2.1.2:

Les convolutions 1D sont utilisées dans les réseaux convolutifs pour l'échantillonnage vers le bas et l'échantillonnage vers le haut dans la dimension du filtre. Les réseaux convolutionnels construisent ces cartes de filtrage au fur et à mesure que vous parcourez le réseau, vous pouvez vraiment les considérer comme une 3ème dimension. Le cas de base habituel de la dimension de la carte de filtre est une taille de 3, car nous aurons souvent des images RVB passant par notre réseau.

Ces convolutions 1D peuvent être utiles pour sous-échantillonner, effectuer certaines opérations, puis remonter dans la même dimension. Ceci est très utile pour des raisons de performances.

Pour vraiment comprendre intuitivement, je suggère de lire:

Réseau en réseau - http://arxiv.org/abs/1312.4400

Approfondir les convolutions - https://www.google.com/url?sa=t&source=web&rct=j&url=http://www.cs.unc.edu/~wliu/papers/GoogLeNet.pdf&ved=0ahUKEwi89oeuxqnLAhXhuIMKHZrTCe0QFggMAF rrECNQ72wI3PH1Qw & sig2 = VhjfaMvuskNIDVKhFfNiqQ