Dilated conv扩张卷积的理解(一看就会)
Q1:Dilated conv的作用?
A1:在同层计算不增加参数量的同时扩大感受野,感受野的理解见:https://blog.csdn.net/weixin_36835368/article/details/105659474
Q2:如何做到不增加参数的同时增加感受野?
A2:step0:先了解Dilated conv如何不增加参数数量
绿色:与卷积核相乘的点。
通过下图可发现,都是9个点,所以计算所需的参数量没变。
黄色:该部分用0进行mask。
Tips: 理解为卷积核做0填充理解的话,相当于卷积核尺寸从3*3变成了5*5(rate=2).
new_K_size = K_size + (rate -1)*2
你可以用这种思路去理解感受野,但是计算的过程中应该是:Input => 带0的mak => output
step1: 感受野为什么增大了?
感受野:输出feature map中一个点映射到原始图像的区域。
通过(a)(b) (c) 的卷积操作得到的都是一个点,但这个点映射到原图像的区域却不一样。
假设(a),(b), (c)输入的层都是经过普通K=(3,3),S=1,P=0的卷积。
则:(a)RF0 =1
=> RF1= (1-1)*1+3=3
=> RF2 = (3-1)*1+3=5
=> RF3 = (5-1)*1+3=7
Tips:,这里RF小角标注意一下,这里上层用了小数字。
(b)RF0 =1
=> RF1 = (1-1)*1+(3+(2-1)*2)=5
=> RF2=(5-1)*1+3=7
Tips:RF1中的K= new_K_size= K_size + (rate -1)*2, RF2中的K= K_size=3
(c)RF0=1
=> RF1=(1-1)*1+(3+(3-1)*2)=7
通过上述计算,可以发现,使用rate=3的Dilated conv向前推一层的感受野就达到了(7,7),而使用rate=2的带孔卷积需要向前推两层才能达到,不带孔的普通卷积若想达到(7,7)需要进行三层。
Dilated conv扩张卷积的理解(一看就会)相关推荐
- Dilated Convolutions——扩张卷积
文章作者:Tyan 博客:noahsnail.com | CSDN | 简书. 1. 扩张卷积 Dilated Convolutions,翻译为扩张卷积或空洞卷积.扩张卷积与普通的卷积相比,除 ...
- 【扩张卷积or空洞卷积】如何理解Dilated Convolutions(空洞卷积)
文章来源:https://blog.csdn.net/alxe_made/article/details/88594550 1. 扩张卷积的提出 Multi-Scale Context Aggrega ...
- 如何理解扩张卷积(dilated convolution)
原理 扩张卷积(Dilated Convolution)也被称为空洞卷积或者膨胀卷积,是在标准的卷积核中注入空洞,以此来增加模型的感受野(reception field).相比原来的正常卷积操作,扩张 ...
- Dilated/Atrous conv 空洞卷积/多孔卷积
Dilated/Atrous conv 空洞卷积/多孔卷积 原文链接:https://blog.csdn.net/silence2015/article/details/79748729 Dilate ...
- dilated conv的理解
作者:谭旭 链接:https://www.zhihu.com/question/54149221/answer/192025860 来源:知乎 著作权归作者所有.商业转载请联系作者获得授权,非商业转载 ...
- 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 ...
- 空洞卷积(扩张卷积,带孔卷积,atrous convolution)的一些总结与理解
空洞卷积(扩张卷积,带孔卷积,atrous convolution)是一种区别于普通卷积的卷积方式,从字面理解,就是卷积层中有洞. 1.一维理解 以一维为例: 图中(a)Input feature表示 ...
- 深度学习-扩张卷积(dilated convolution)
1. 前言 扩张卷积( D i l a t e d C o n v o l u t i o n )也被称为空洞卷积或者膨胀卷积,是在标准的卷积核中注入空洞,以此来增加模型的感受野( r e c e p ...
- 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 ...
最新文章
- Pandas对不同类型缺失值的转换规则
- C语言杂谈:指针与数组 (上) (转)
- linux内核网络协议栈--br_pass_frame_up和br_forward(二十九)
- 阿里云centos7通过yum安装 Mysql 8.0.11
- discuzx2.5添加自定义积分日志
- vue学习笔记(1)-组件通信
- java音频采样_音频重采样的坑
- springmvc 静态资源 配置
- 医疗器械公司规章制度范本
- Windows7安装 Anaconda3详细教程
- 计算机英语趣味知识竞赛,(经典)精华版 英语趣味知识竞赛.ppt
- AI产品经理-人工智能的发展
- UGUI事件传递流程解析
- 杰理之TIMER【篇】
- E1 CE1 T1 BRI PRI
- 搭档之家| 生活中的“破窗理论”
- python中的range()函数
- Java微信公众号开发微信网页授权之前端传递code方式获取用户信息
- 蓝桥杯 2022 国赛 《最大数字》
- 第十届(2022年)全国大学生机械创新设计大赛参赛须知