卷积神经网络（CNN）中的“空间结构”具体指什么？

首先得明确，CNN领域里的「空间结构」并没有一个被严格统一的标准化学术定义，这也是你搜不到精准词条的核心原因——它是业内约定俗成的宽泛概念，但指向性很明确。

你的猜测方向完全正确，它的核心内涵可以拆解成两层：

• 第一层是输入数据本身的空间关联性与排布模式：比如图像里像素的位置关系、物体的轮廓/相对布局，或是一维CNN处理时序数据时的时序空间关联，这些都属于原始的空间结构信息。
• 第二层是CNN中用于捕捉这类空间信息的组件逻辑：你提到的卷积核就是典型代表——它通过在输入特征图上滑动，对局部空间范围内的特征做加权聚合，以此提取边缘、纹理、形状这类基础空间结构；除此之外，池化层（保留空间维度下的关键特征）、空间注意力模块（聚焦重要空间区域），甚至像U-Net这类强空间上下文保留的网络架构，都属于广义上用来处理空间结构的范畴。

举个直观例子：处理猫的图片时，CNN底层卷积核先识别耳朵边缘、眼睛轮廓这类基础空间结构，上层网络再把这些局部结构组合成猫的整体形态——这个从局部到全局捕捉空间关联的过程，就是利用空间结构做特征提取的核心逻辑。

内容的提问来源于stack exchange，提问作者Mohamed Shokry