Image processing CNN与gabor滤波器的关系

我正在学习使用gabor滤波器从图像中提取与方向和比例相关的特征。另一方面，卷积神经网络也可以提取包括方向和尺度在内的特征，有没有证据表明CNN中的滤波器与gabor滤波器具有类似的功能？或者两者的优缺点。

以我个人的经验，在传统的深度学习体系结构（如AlexNet）中，当接近开始的层被可视化时，它们非常类似于gabor过滤器

以预训练AlexNet的前两层为例（取自Andrej Karpathy的cs231n.github.io）。一些学习的滤波器看起来与Gabor滤波器完全相同。因此，是的，有证据表明CNN的工作方式（部分）与Gabor滤波器相同

一种可能的解释是，由于朝向深CNN开始的层用于提取低级特征（例如纹理的变化），因此它们执行与Gabor滤波器相同的功能。诸如检测频率变化的特征是如此基本，以至于无论模型训练的数据集类型如何，它们都存在。（迁移学习之所以可能的部分原因）

但是如果你有更多的数据，你可以让CNN深入了解比Gabor滤波器更多的高级特征，这对于你提取这些特征的任务（比如分类）可能更有用。我希望这能提供一些澄清