O que é um Kernel na Camada Convolucional?

Kernel é um filtro usado na convolução que objetiva criar um mapa de ativação ou características (feature map) ao varrer a imagem de entrada.

Ele é formado por pesos inicializados aleatoriamente, atualizando-os a cada nova entrada durante o processo de backpropagation. 

A pequena região da entrada onde o filtro é aplicado na imagem é chamada de receptive field (campo de recepção).

Embora a inicialização aleatória da matriz do kernel, alguns filtros podem ser exemplificados a seguir, junto a sua função ao passar pela imagem (OBS: exemplos vindos da Wikipedia).

Edge Detector (Detector de Bordas)

  

Sharpen (Aguçar Detalhes)

Box Blur (Desfocar)

Portanto, cada kernel realça uma característica diferente na imagem. No contexto de treinamento de uma rede neural convolucional (CNN), isso ajuda a detectar de forma mais aguçada características que, sem esses filtros, passariam despercebidas. 

Dessa forma, a rede torna-se mais precisa e com alta precisão no reconhecimento e na classificação de uma imagem parecida a que ela foi treinada.