对比:空洞卷积与转置卷积(吉米王)
又是在地铁上,人到中年很无奈,每天貌似只有在地铁上的时间是属于我的…,有没有同道中人…
今天简单聊聊空洞卷积和转置卷积的区别:
- 空洞卷积,也有人译作扩张卷积,其实是一样的。
与普通的卷积相比,增加了一个扩张率(dilation rate)参数,主要用来表示扩张的大小。
扩张卷积与普通卷积的相同点在于,卷积核的大小是一样的,在神经网络中参数数量不变,区别在于扩张卷积具有更大的感受野。
- 什么是感受野?
其实本质上可以理解为:卷积核的边界宽度;
感受野公式:
dilation : 扩张率
kernel : 卷积核大小
F:扩张卷积的感受野
百科找了张图:(扩张卷积其实本质上扩张的还是卷积核,而不是图像)
解释说明:a图中红点所在的绿色区域表示的是初始卷积核的位置和大小;
b图中为扩张率为2的时候,卷积核的变化情况,红点位置标示原卷积核数据,其余绿色区域用0填充;
c图中,为扩张率为4时,也就是4倍的扩张率,卷积核的变化情况,红点位置标示原卷积核数据,其余绿色区域用0填充;
- 转置卷积,在我们招聘讲师面试的过程中,也听别人叫过反卷积
- 反卷积是一种特殊的正向卷积
- 通俗的讲,就是在原图像上输入补0+卷积。先按照一定的比例通过补0来扩大输入图像的尺寸,再进行正向卷积即可。
关键点:转置卷积,改变的是原图像大大小,而空洞卷积改变的是卷积核的感受野的大小(卷积核);这块还需要大家好好分析一下;
卷积输出公式:(比较常见的一个公式)
备注:还有一种特殊情况记不太清了,等有时间我查下资料补上。
参数说明:
n:特征图的宽或者高
k:卷积核的尺寸
p:padding的数值,一般指单侧填充几个单元
stride:顾名思义卷积核的步长
到百科上找了个图片:(相当于对原图像进行放大,空白处用0填充,实际上我们可以通过一定的参数设置,利用转置卷积实现上采样的等同效果)
经典应用场景:
- 转置卷积用来增大特征图的分辨率的。
- 或者叫上采样,意思是一样的,印象中以前在某些经典的算法底层就在使用
# 反卷积上采样
x = Conv2DTranspose(filters, kernel_size=(2,2), strides=(2,2),padding="same")(input_tensor)
- 常见的上采样的API还有UpSampling2D等
就这样吧,下地铁了…,本来还想写点什么,没时间了,又是半篇文章。生活纵有千万个不如意,我亦勇往直前…
对比:空洞卷积与转置卷积(吉米王)相关推荐
- 卷积、转置卷积、可分离卷积、分组卷积、空洞卷积的理解
文章目录 卷积.转置卷积.可分离卷积.分组卷积.空洞卷积的理解 转置卷积 深度可分离卷积 分组卷积 空洞卷积 卷积.转置卷积.可分离卷积.分组卷积.空洞卷积的理解 这里主要是汇总一些本人觉得比较好的文 ...
- 深度学习中常见卷积(普通卷积、1×1卷积、转置卷积、可分离卷积、膨胀(空洞)卷积、3D卷积)
总是在网络上看到各种名词的卷积,但是有搞不懂是什么含义,于是结合网上查阅的资料,总结一下.目前比较常用的卷积主要有常规的卷积.1×1卷积.转置卷积.可分离卷积.膨胀卷积.3D卷积. 以下是一些 ...
- DW卷积、PW卷积、转置卷积、膨胀卷积(空洞卷积)、可变形卷积一次看个够
Depthwise Separable Convolution也就是深度可分离卷积,应该见过吧,它其实是由depthwise卷积和pointwise卷积组合而成,同样可以用来提取图像特征,但是它的计算 ...
- PyTorch框架学习十——基础网络层(卷积、转置卷积、池化、反池化、线性、激活函数)
PyTorch框架学习十--基础网络层(卷积.转置卷积.池化.反池化.线性.激活函数) 一.卷积层 二.转置卷积层 三.池化层 1.最大池化nn.MaxPool2d 2.平均池化nn.AvgPool2 ...
- PyTorch 入坑八:卷积与转置卷积
卷积 操作 略 输入输出尺寸变化 略 PyTorch实现 nn.Conv2d(in_channels,out_channels,kernel_size,stride=1.padding=0,dilat ...
- 卷积与反卷积(转置卷积)关系的公式推导 及其各自的形式
1. 卷积与反卷积(转置卷积)的关系推导: 2. Transposed Convolution, Fractionally Strided Convolution or Deconvolution h ...
- 对深度可分离卷积、分组卷积、扩张卷积、转置卷积(反卷积)的理解
参考: https://zhuanlan.zhihu.com/p/28749411 https://zhuanlan.zhihu.com/p/28186857 https://blog.yani.io ...
- 一文读懂 12种卷积方法(含1x1卷积、转置卷积和深度可分离卷积等)
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 我们都知道卷积的重要性,但你知道深度学习领域的卷积究竟是什么,又有 ...
- 卷积与转置卷积——输出特征图边长公式推导
目录 一.公式 1.卷积 2.转置卷积 二.公式推导 1.卷积公式推导 2.转置卷积公式推导 3.代码演示 一.公式 1.卷积 2.转置卷积 在Pytorch中,转置卷积层参数还含有output_pa ...
最新文章
- input:focus
- MYSQL 设计数据结构注意事项
- [Spring5]IOC容器_Bean管理XML方式_注入集合类型属性
- 04-树7 二叉搜索树的操作集 (30 分)
- LInux:shell 命令:字符串截取
- clickhouse 增量更新_ClickHouse王炸功能即将来袭?
- 关于SpringBoot场景启动器
- numpy ndarray可用的常规函数
- Android用表格布局做菜单栏,Android开发菜单布局之表格布局示例
- 反序列化对象列表发生异常_面试官:你知道Java对象的序列化与反序列化背后的原理吗?...
- flutter实现Icon可以用Image替换
- java invokevirtual_Java | 深入理解方法调用的本质(含重载与重写区别)
- Linux操作系统配置基础详解:GRUB入门 (转)
- Hibernate 入门简单教程
- 这三个博弈论新趋势,正深刻影响深度强化学习道翰天琼认知智能未来机器人接口API
- Infopath入门到精通系列-2 Infopath 文件内容查看
- 2021全网最全物联网分析
- bat批处理文件夹内文件名的提取
- java通过poi导出excel和pdf
- 基于色彩恒常( color constancy)特性的Frankle-McCann Retinex图像增强