转置卷积(反卷积)为什么姓转置
转置卷积(反卷积)--为什么姓 转置
我们都知道常规的卷积操作:通过卷积将一个 高维度的特征,转移(仿射)到一个低维度。如下图
一个5 X5 的特征,通过一个3X3的卷积,步长=2,没有填充,一顿操作之后就可以将5X5 ----->2X2。这就是常规的卷积操作。
从数学的仿射角度解释:
一个高纬度的向量 Z (假设维度=5),和一个低维度向量X(假设维度=2),如果要用一个仿射变换来实现,就是利用矩阵W(因为矩阵的作用就是做一个空间变换嘛)操作,那么这个矩阵的维度应该等于 2X5。
所以用公式表示就是:
通过这样的一个仿射变换 就可以把一个5维向量,转移到一个2维的空间里。这就是常规的卷积操作。
如果要从现在的低维度变换到之前的高纬度,应该怎么搞?当然还是用矩阵啦
公式表示如下:
W转置之后就是一个5X2的矩阵,X是2维的 ,一顿操作就得到一个5维的向量了。
因此在卷积操作中,从低维度到高纬度的操作,叫做转置卷积(也叫反卷积)。
转置卷积效果图:https://nndl.github.io/v/cnn-conv-more
左边的图的实现方式就是通过在周低维特征图两边填充,然后再实施常规的卷积运算,就可以实现转置的效果。
右边的图的实现方式就是通过在 特征图中插入空格--微步卷积。
转置卷积在图像分割中应用很多。
下采样--就是常规的卷积,一张大图像经过多层卷积之后变成了低维度的特征图。
上采样-利用反卷积可以实现,一个低维度到高纬度的华丽转变。
——————待丰富——————
参考资料:
《神经网络语深度学习》--邱锡鹏--第5章
转置卷积(反卷积)为什么姓转置相关推荐
- 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 ...
- 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 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tco ...
- 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 ...
- 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 + ...
- 深度学习卷积网络中反卷积/转置卷积的理解 transposed conv/deconv
搞明白了卷积网络中所谓deconv到底是个什么东西后,不写下来怕又忘记,根据参考资料,加上我自己的理解,记录在这篇博客里. 先来规范表达 为了方便理解,本文出现的举例情况都是2D矩阵卷积,卷积输入和核 ...
- 深度学习 | 反卷积/转置卷积 的理解 transposed conv/deconv
原文:https://blog.csdn.net/u014722627/article/details/60574260 深度学习 | 反卷积/转置卷积 的理解 transposed conv/dec ...
- 反卷积原理 + pytorch反卷积层参数output_padding
一般我们会认为2维卷积的计算分为了以下3类: 1.full 2.same 3. valid 参考:https://cn.mathworks.com/help/matlab/ref/conv2. ...
- 深度学习中的卷积与反卷积
转载自:http://blog.csdn.net/panglinzhuo/article/details/75207855 卷积与反卷积操作在图像分类.图像分割.图像生成.边缘检测等领域都有很重要的作 ...
- 反卷积通俗详细解析与nn.ConvTranspose2d重要参数解释
文章目录 反卷积的作用 卷积中padding的几个概念 No Padding Half(Same) Padding Full Padding 反卷积 反卷积中的Padding参数 反卷积的stride ...
- 反卷积(Transposed conv deconv)实现原理(通俗易懂)
什么是卷积 卷积就是把卷积核放在输入上进行滑窗,将当前卷积核覆盖范围内的输入与卷积核相乘,值进行累加,得到当前位置的输出,其本质在于融合多个像素值的信息输出一个像素值,本质上是下采样的,所以输出的大小 ...
最新文章
- 用工具进行CAD转换图片的过程
- linux shell ls 获取绝对路径
- Python学习笔记:入门(2)
- SQL 把表中字段存储的逗号隔开内容转换成列表形式
- hibernate批量查询_使用Hibernate批量获取
- 关于Java的一些句子
- 电子计算机空调,电子计算机机房空调的设计规范
- 如何解决系统补丁(KB971092)重复安装问题
- 快速删除大文件和大量小文件。
- 手机距离传感器坏了有什么影响_恢复出厂设置对手机有什么影响?
- 转义sed替换模式的字符串
- Java开发实战经典【Java基础】
- ds18b20温度转换指令_【原创】基于单片机的DS18B20温度显示
- 旧手机利用(Android),当wifi,当mic,当ipcamera
- 【MATLAB】MATLAB数值计算
- 手写基于NIO的迷你版tomcat
- 存活探针(Liveness Probe)
- 屏幕适配的总结记录-重新起航
- 维基百科反对法国将被遗忘权全球化
- SEDA(Staged Event-Driven Architecture)
热门文章
- Windows网络守门人UserLock更新至v9.6,可通过Webhooks获取实时登录通知
- 集合框架Collection、Map查找表(Java SE第三阶段9)
- 五分钟JAVA代码教会你:FFmpeg实现视频试看(window版本)
- 软硬件配置大幅提升!解读戴尔新一代PowerEgde14服务器
- ORA-27101: shared memory realm does not exist
- 【数学建模】蒙特卡洛模拟
- python requests上传大文件_pythonrequestspost大文件和获取进度条
- python中利用turtle(海龟)绘图制作龟兔赛跑动画——仅供学习
- NGSIM数据集Python处理(车辆变道时周边车辆数据提取)
- 联想小新pro-网卡MT7921-断联问题