Thắc mắc về Convolution Layer trong CNN

Chào mọi người, hiện tại em đang tìm hiểu về Neural Network và đang dừng lại ở CNN (Convolution Neural Network) . Theo em được biết, khi mình tạo ra 1 Convolution Layer thì mình sẽ có:

• 1 Kernel có kích thước (F, F, K), Stride:S, Padding:P để chiếu qua hình ảnh
• 1 hình ảnh có kích thước (H, W, D) được tính tổng theo element-wise
• 1 Output của Convolution Layer đó là 1 Tensor (H, W, K) được tính như sau:

$$H (của Output): \frac{H - F + 2P}{S} + 1 \\\ W (của Output): \frac{W - F + 2P}{S} + 1$$

Trong đó:

• H: Chiều cao của Kernel hoặc ảnh
• W: Chiều rộng của Kernel hoặc ảnh
• D: Số chiều của ảnh
• F: kích thước của Kernel
• K: Số lượng Kernel dùng để chiếu
  Nhưng đối với hình dưới đây thì không theo format như trên:
• Ngay phần conv1 feature map kích thước không được tính bằng công thức trên, vậy thì hình trên liệu có đúng hay không ? Nếu hình đúng thì em đã bỏ sót phần nào về Convolution Layer này ạ ?
  Em xin cảm ơn các anh/chị đã dành thời gian xem câu hỏi của em.