Interactive Lab #6

CNN Feature Map & Kernel Filter Simulator

Convolutional Neural Network များ ဓာတ်ပုံအတွင်းမှ အစွန်းများ၊ ပုံသဏ္ဌာန်များ (Edges, Ridges, Features) ကို Kernel ဖြင့် ထုတ်ယူပုံကို တိုက်ရိုက် လေ့လာပါ။

Draw custom pixels or choose presets, apply 3x3 convolution kernels, ReLU activation, and 2x2 max-pooling downsampling.

Input: 16×16

Feature Map: 16×16

Max-Pooled: 8×8

1. Input Image Grid (16×16)Click pixel to toggle

2. 3×3 Convolution Kernel Filter

Preset Filters

3×3 Weight Values

ReLU Activation

3. Feature Map & Max-Pooling Output

Convolved Feature Map (16×16)

2×2 Max-Pooled Output (8×8)

💡 CNN Filters & Feature Maps ဆိုသည်မှာ ဘာလဲ?

Convolutional Neural Networks (CNN) သည် Computer Vision တွင် ဓာတ်ပုံများ၊ ဗီဒီယိုများကို နားလည်ခွဲခြားရန် အသုံးပြုသော Deep Learning Architecture ဖြစ်သည်။ အလွှာတစ်ခုစီတွင် 3x3 သို့မဟုတ် 5x5 **Kernel Matrices (Filters)** ကို ဓာတ်ပုံပေါ်၌ Sliding Window အဖြစ် ရွှေ့လျားရင်း Features များကို ထုတ်ယူသည်။

1. 3×3 Convolution Kernel

Pixel တန်ဖိုးများအား Element-wise မြှောက်၍ အစွန်းမျဉ်းများ (Vertical/Horizontal Edges) နှင့် Sharp details များကို ပေါ်လွင်စေသည်။

2. ReLU Activation (Non-linearity)

`max(0, x)` ကို အသုံးပြု၍ အနှုတ်တန်ဖိုးများကို 0 ပြောင်းလဲကာ အရေးကြီးသော Feature မီးမောင်းထိုးချက်များကိုသာ ချန်ထားပေးသည်။

3. 2×2 Max Pooling

Feature Map ၏ အရွယ်အစားကို ထက်ဝက် လျှော့ချပေးပြီး (Downsampling) အဓိက Feature ထိန်းသိမ်းရင်း Computation Speed ကို မြှင့်တင်ပေးသည်။