卷积

作用

提取局部区域内的特征

操作

输入（ $h_{in}$ * $w_{in}$ * $f_{in}$ ），卷积核（ $f_{out}$ *h*w* $f_{in}$ ），输出（ $h_{out}$ * $w_{out}$ * $f_{out}$ ）

输出feature 长(宽)的计算： $h_{out} = \frac{h_{in} - h + 2padding}{stride} + 1$

$f_{out}$ 个神经元(滤波器、卷积核)

结构特点

局部连接（对输入的部分区域提取）：图像数据在空间上与距离较近的区域有关，与距离较远的基本无关，所以神经元只需接受局部输入
权重共享（）：有多个卷积核，每个生成一个新的feature map（图像），新的feature map（图形）上的每一个像素都来自同一个卷积核。

每个卷积核提取不同的特征，卷积核提取在图像不同位置上的特征。

卷积相乘变矩阵相乘

后续

经激活函数后，池化

激活函数

池化：maxpooling取灰度值最大的像素点（保留最主要的特征），mean pooling 区域内特征的平均值代表这个区域的特征。why make function? 一个区域内的特征可能在另一个区域同样适用，对大的图像，对不同位置的特征进行聚合统计。

卷积核尺寸

卷积核kernel size越大，感受野越大，参数也多

对于1*1的卷积核，稀疏度不宜太高，作用：

进行信息整合，跨通道pooling。
进行卷积核通道数的降维或升维。

反卷积（deconv，transposed conv）

作用

实现信号复原，在全卷积网络(FCN)中，实现上采样。

kernel size固定，padding=0，strid=1，输入经conv 的输出，再经deconv，获得的输出能与输入大小相同。deconv 的输入i，padding 同样的size，单此处不叫padding。

操作

对输入补零，卷积核，先左右翻转，再上下翻转（即转180度），转置后的卷积核与补零的输入卷积，即可得到输出。

或，当卷积操作转换为矩阵操作时，卷积核变卷积矩阵后，转置，再与输入矩阵卷积，即得输出矩阵。

注：no padding：将输入补同样size的0；

对于conv的stride>1时，deconv的输入中间插零个数 = s - 1作为新的输入;

$p^{'} = k - p -1$

$o^{'} = s(i^{'}-1) + k - 2 * p$

计算示例

eg： conv：i=5，k=3，s=2，p=1，out=3

deconv： i‘=3，k=3，s=1，p=1，out=5

注：可视化理解 https://github.com/vdumoulin/conv_arithmetic

卷积和反卷积（deconv）的正向相关推荐

tensorflow 卷积、反卷积形式的去噪自编码器
tensorflow 卷积.反卷积形式的去噪自编码器对于去噪自编码器,网上好多都是利用全连接神经网络进行构建,我自己写了一个卷积.反卷积形式的去噪自编码器,其中的参数调优如果有兴趣的话,可以自行修改 ...
卷积与反卷积、步长（stride）与重叠（overlap）及 output 的大小
1. 卷积与反卷积如上图演示了卷积核反卷积的过程,定义输入矩阵为 III(4×44\times 44×4),卷积核为 KKK(3×33\times 33×3),输出矩阵为 OOO(2×22\time ...
卷积，反卷积，空洞卷积
卷积神经网络中卷积核的作用在于特征的抽取,越是大的卷积核尺寸就意味着更大的感受野,当然随之而来的是更多的参数.早在1998年,LeCun大神发布的LetNet-5模型中就会出,图像空域内具有局部相关性 ...
一文搞懂转置卷积（反卷积）
↑ 点击蓝字关注极市平台作者丨土豆@知乎来源丨https://zhuanlan.zhihu.com/p/158933003 极市导读转置卷积在一些文献中也被称为反卷积,人们如果希望网络学习到上 ...
cnn stride and padding_彻底搞懂CNN中的卷积和反卷积
前言卷积和反卷积在CNN中经常被用到,想要彻底搞懂并不是那么容易.本文主要分三个部分来讲解卷积和反卷积,分别包括概念.工作过程.代码示例,其中代码实践部分主结合TensorFlow框架来进行实践.给 ...
卷积、空洞卷积、反卷积与空洞反卷积的计算公式(全)
前言: 经常使用的卷积有卷积.空洞卷积.反卷积与空洞反卷积的,下面总结了他们的计算公式. 一.卷积计算公式卷积神将网络的计算公式为: N=(W-F+2P)/S+1 其中 N:输出大小 W:输入大小 ...
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 ...
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 ...
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 ...

卷积和反卷积（deconv）的正向

卷积

作用

操作