1.卷积

就是利用卷积核步长前进卷积整个图片

2.反卷积

反卷积的具体操作

原图输入尺寸为【1，3，3，3】对应【batch_size,channels,width,height】

反卷积tconv = nn.ConvTranspose2d(3,3,3,stride=2,padding=1)

求反卷积的输出尺寸？

第一步：对输入的特征图做插值，在原先高宽方向的每两个相邻中间插上（Stride−1）列0，如下图所示，原来的尺寸为3*3，因为stride=2,则是在相邻行（列）之间插入(2-1)行（列）0

插入后的尺寸为为：height = height+(height-1)*(stride-1),这里也就是h=3+(2-1)(3-1)=5,即插值过后的特征图为5*5

第二步：求新的卷积核设置

新卷积核的kernel_new不变为3，stride_new恒为1，padding_new =(kernel_size - padding - 1) = 1

第三步：用新的卷积核在新的特征图上做常规的卷积，得到的结果就是逆卷积的结果。

即在5*5的特征图上执行nn.conv(1,3,3,stride = 1,padding = 1),最后输出的特征图尺寸为：(5-3+2*1)/1+1=5

反卷积核的确定

卷积核的确定方式主要有两种，一是通过双线性插值固定卷积核的参数，不随着学习过程更新；二是随机初始化，并随着学习过程更新。

3.上采样

4.下采样

反卷积=上采样=（转置卷积+微步卷积）⊆ 空洞卷积=一般意义上的广义卷积（包含上采样和下采样）。

卷积和下采样基本一致只是卷积过程卷积核本身带权重有步长下采样基本直接采取没有权重约束

反卷积和上采样基本一致只是反卷积过程卷积核本身带权重有步长下采样基本直接采取没有权重约束

总体而言卷积类参数多采样类参数极少

卷积反卷积上采样下采样区别相关推荐

深度学习上采样下采样概念以及实现
#pic_center =400x 系列文章: 文章目录参考博客概念上采样下采样实现上采样下采样参考博客 [深度学习]上采样,下采样,卷积 torch.nn.functional.in ...
降采样,下采样,池化
概念缩小图像(或称为下采样(subsampled)或降采样(downsampled))的主要目的有两个:1.使得图像符合显示区域的大小:2.生成对应图像的缩略图. 放大图像(或称为上采样(upsam ...
DL之CNN：卷积神经网络算法简介之卷积矩阵、转置卷积(反卷积Transpose)、膨胀卷积(扩张卷积Dilated/带孔卷积atrous)之详细攻略
DL之CNN:卷积神经网络算法简介之卷积矩阵.转置卷积(反卷积Transpose).膨胀卷积(扩张卷积Dilated/带孔卷积atrous)之详细攻略目录卷积矩阵的简介卷积.转置卷积--Tran ...
重采样上采样下采样
重采样的原理: 重采样主要是分为上采样和下采样,在进行采样的过程中,需要注意采样的倍率的问题,并不是可以随意的改变采样率的大小的,根据采样定理:在进行模拟/数字信号的转换过程中,当采样频率fs.max ...
过采样与欠采样图像重采样（上采样下采样）
参考文章: https://blog.csdn.net/majinlei121/article/details/46742339 https://blog.csdn.net/Chaolei3/arti ...
卷积/反卷积前后的张量尺寸计算
1.下采样/卷积: 先定义几个参数输入图片大小 :W×W Filter大小 :k×k 步长 :S padding的像素数 :P 输出图片大小为: N×N 于是我们可以得出:N = (W − k + ...
分组卷积/转置卷积/空洞卷积/反卷积/可变形卷积/深度可分离卷积/DW卷积/Ghost卷积/
文章目录 1. 常规卷积 2. 分组卷积 3. 转置卷积 4. 空洞卷积 5. 可变形卷积 6. 深度可分离卷积(Separable Convolution) 6.1 Depthwise Convol ...
python下采样_python + opencv 如何在上采样下采样之后导出图片？
该楼层疑似违规已被系统折叠隐藏此楼查看此楼 import cv2 def pyramid_demo(image): level = 3 temp = image.copy() pyramid_ima ...
opencv隔点采样(下采样)
1.先验知识对灰度图像来说,img.step[0]代表图像一行的的长度:img.step[0]=img.cols; img.step[1]代表图像一个元素的数据大小:img.step[0]=img. ...

卷积反卷积上采样下采样区别

1.卷积

就是利用卷积核步长前进卷积整个图片

2.反卷积

3.上采样

4.下采样

卷积和下采样基本一致只是卷积过程卷积核本身带权重有步长下采样基本直接采取没有权重约束

反卷积和上采样基本一致只是反卷积过程卷积核本身带权重有步长下采样基本直接采取没有权重约束

总体而言卷积类参数多采样类参数极少

卷积反卷积上采样下采样区别相关推荐

最新文章

热门文章

卷积 反卷积 上采样 下采样 区别

1.卷积

就是利用卷积核 步长前进 卷积整个图片

2.反卷积

3.上采样

4.下采样

卷积和下采样基本一致 只是卷积过程 卷积核本身带权重 有步长 下采样基本直接采取 没有权重约束

反卷积和上采样基本一致 只是反卷积过程 卷积核本身带权重 有步长 下采样基本直接采取 没有权重约束

总体而言 卷积类参数多 采样类参数极少

卷积 反卷积 上采样 下采样 区别相关推荐

最新文章

热门文章

卷积反卷积上采样下采样区别

就是利用卷积核步长前进卷积整个图片

卷积和下采样基本一致只是卷积过程卷积核本身带权重有步长下采样基本直接采取没有权重约束

反卷积和上采样基本一致只是反卷积过程卷积核本身带权重有步长下采样基本直接采取没有权重约束

总体而言卷积类参数多采样类参数极少

卷积反卷积上采样下采样区别相关推荐