align_corners=True

最新推荐文章于 2023-12-08 15:56:34 发布

_Gus_

最新推荐文章于 2023-12-08 15:56:34 发布

阅读量2.4k

点赞数

本文链接：https://blog.csdn.net/Gussss/article/details/88040171

版权

对应。

# x_ori is the coordinate in original image #原始图像坐标

x_up is the coordinate in the upsampled image：上采样图的坐标

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

_Gus_

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
3
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

UserWarning: Default grid_sample and affine_grid behavior has changed to align_corners=False since 1

程序员，他们想的是什么?他们想的永远都是技术，他们崇尚的也永远都是技术。

12-29

1861

问题描述在使用patchMatchNet网络进行三维重建时，出现如下错误(红色框下面的内容)用户警告:默认的grid_sample和affine_grid行为自1.3.0以来已更改align_corners=False。如果需要旧的行为，请指定align_corners=True。有关详细信息，请参阅grid_sample的文档。警告(“默认的grid_sample和affine_grid行为已经改变”这是正常的warning而已，不用担心。

Default upsampling behavior when mode=bilinear is changed to align_corners=False since 0.4.0.Please

程序员，他们想的是什么?他们想的永远都是技术，他们崇尚的也永远都是技术。

12-29

1677

问题描述在使用patchMatchNet网络进行三维重建时，出现如下错误提示的意思是:自从pytorch0.4.0以后，上采样行中当选择mode=bilinear[双线性差值]方式时，align_corners将默认设置为False。如果需要旧的行为，请指定align_corners=True。上样以获取详细信息，参见nn的文档。这是正常的warning而已，不用担心。

3 条评论您还未登录，请先登录后发表或查看评论

【上采样问题】双线性插值的几何中心点重合与align_corners

Hali_Botebie的博客

06-09

3607

我们默认以红色表示原图，蓝色表示 bilinear 上采样两倍后的图片。首先介绍 align_corners=False，首先观察绿色框内的像素，我们会发现它们严格遵守了 bilinear 的定义。而对于角上的四个点，其像素值保持了原图的值。边上的点则根据角点的值，进行了 bilinear 插值。所以，我们从全局来看，align_corners=False 内部和边缘处采用了比较不同的规则。 align_corners=True 里，像素值位于网格上：会发现，3∗33*33∗3的图像上采两倍

【图像处理】bilinear中的align=True or False

Shwan_ma的博客

09-27

7463

关于blinear中 api里面的align=True和False，其实就是角点是否对齐的选项。在opencv中，blinear默认调用的是align=False 在pytorch和tensorflow中，可以通过api去切换align 先放一张图直观的理解一下：可以明显的看到align_corners=True的时候，角点是对齐状态。而align_cornels=False的时候，角点并没有对齐。用代码去描述上述的区别为： # align_corners = False # x_ori is

pytorch 上采样 upsample 时align_corners 设为true 还是false

One Way的博客

10-01

1万+

背景今天遇到了一个问题, 在写上采样 upsample的时候到底 align_corners 设为true 还是false talk is cheap 按照pytorch doc 中的示例: >>> input = torch.arange(1, 5, dtype=torch.float32).view(1, 1, 2, 2) >>> input tensor...

双线性插值align_corners为True和False的区别

最新发布

qq_43337901的博客

12-08

921

容易起误导的是边缘位置的处理。看到网上有说align_corners=True时，size为3的图像上采样2倍得到size是5，但博主用F.interpolate()，设置scale_factor=2，align_corners=True，input_size=3，得到的size并不是5，而是正常的6，尚不清楚原因。可以看到的是，尽管resize后的图像第一行和原图的第一行并不在同一行，如果按双线性插值计算，应该还要考虑纵向上的变化，但align_corners=False时，却忽略了这个方向的变化。

【算法思考】Pytorch Align Corners 用法总结

S_Kross的博客

01-29

1532

Pytorch的许多接口都需要提供align_corners=True/False。为了更好的使用pytorch提供的接口，有必要了解这个参数所表示的具体含义。下面我们会通过图形化的方式展示。

缩放过程中的中心点对齐，即align_coners

xiaojiajia007的博客

02-27

6050

1. 中心点对齐的计算方法我们常常需要得出缩放前后某个像素位置和原始位置的精确坐标值，这时候就需要考虑几何中心点对齐，以下分析都是基于中心点对齐的缩放。缩放过程中，我们需要为目标图像dstImg上的每个像素位置找到与之对应的原图像srcImg的位置，并把srcImg上对应的像素值填入dstImg的该坐标位置处。若映射回原图srcImg的坐标位置不是整数，那么就需要做插值，算出映射回去的非整数坐...

pytorch中align_corners=True

05-15

具体来说，当对图像进行缩放时，如果使用align_corners=True，会使得缩放后的图像的四个角落与原始图像的四个角落完全一致，而当使用align_corners=False时，图像的四个角落可能与原始图像的四个角落略有不同。

import torch import torch.nn as nn import torch.nn.functional as F import torchvision.transforms as transforms from PIL import Image # 加载图像 img = Image.open('2.jpg') # 对图像进行预处理，将其转换为模型所需的输入格式 transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) img_tensor = transform(img).unsqueeze(0) # 初始化模型并对图像进行特征提取 model = torch.hub.load('pytorch/vision:v0.6.0', 'resnet50', pretrained=True) features = model.conv1(img_tensor) features = model.bn1(features) features = model.relu(features) features = model.maxpool(features) features = model.layer1(features) features = model.layer2(features) features = model.layer3(features) features = model.layer4(features) # 将特征图还原回原始图像大小 upsample = nn.Upsample(scale_factor=32, mode='bilinear', align_corners=True) upsampled_features = upsample(features) # 显示原始图像和还原后的特征图 img.show() tensor_to_image = transforms.ToPILImage() upsampled_image = tensor_to_image(upsampled_features.squeeze(0).detach().cpu()) upsampled_image.show()，上述代码出现问题：ValueError: pic should not have > 4 channels. Got 2048 channels.

06-07

upsample = nn.Upsample(scale_factor=32, mode='bilinear', align_corners=True) upsampled_features = upsample(features) # 将通道数降为1 feature_map = torch.mean(upsampled_features, dim=1, keepdim=True) ...

import cv2 import numpy as np import torch import torch.nn.functional as F from skimage.segmentation import slic import matplotlib.pyplot as plt from skimage.segmentation import mark_boundaries from skimage import img_as_float # 定义超像素数量 num_segments = 100 # 加载图像 A 和 B img_a = cv2.imread('img_a.jpg') img_b = cv2.imread('img_b.jpg') # 对图像 A 进行超像素分割，并获取每个超像素块的像素范围 segments_a = slic(img_as_float(img_a), n_segments=num_segments, sigma=5) pixel_ranges = [] for i in range(num_segments): mask = (segments_a == i) indices = np.where(mask)[1] pixel_range = (np.min(indices), np.max(indices)) pixel_ranges.append(pixel_range) # 将像素范围应用到图像 B 上实现超像素分割 segments_b = np.zeros_like(segments_a) for i in range(num_segments): pixel_range = pixel_ranges[i] segment_b = img_b[:, pixel_range[0]:pixel_range[1], :] segment_b = torch.from_numpy(segment_b.transpose(2, 0, 1)).unsqueeze(0).float() segment_b = F.interpolate(segment_b, size=(img_b.shape[0], pixel_range[1] - pixel_range[0]), mode='bilinear', align_corners=True) segment_b = segment_b.squeeze(0).numpy().transpose(1, 2, 0).astype(np.uint8) gray = cv2.cvtColor(segment_b, cv2.COLOR_BGR2GRAY) _, mask = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY) segments_b[np.where(mask)] = i # 可视化超像素分割结果 fig = plt.figure('Superpixels') ax = fig.add_subplot(1, 2, 1) ax.imshow(mark_boundaries(img_as_float(cv2.cvtColor(img_a, cv2.COLOR_BGR2RGB)), segments_a)) ax = fig.add_subplot(1, 2, 2) ax.imshow(mark_boundaries(img_as_float(cv2.cvtColor(img_b, cv2.COLOR_BGR2RGB)), segments_b)) plt.axis("off") plt.show()，上述代码中segments_a = slic(img_as_float(img_a), n_segments=num_segments, sigma=5)出现错误：ValueError: Cannot convert from object to float64.

05-30

segment_b = F.interpolate(segment_b, size=(img_b.shape[0], pixel_range[1] - pixel_range[0]), mode='bilinear', align_corners=True) segment_b = segment_b.squeeze(0).numpy().transpose(1, 2, 0).astype...

align_corners 的意义

gaocui883的博客

09-08

3010

上采样层 (upsample layer)，是语义分割等密集输出 (dense prediction) 任务的必备组件。一般默认选择双线性插值 (bilinear) 或者最近邻 (nearest) 的方式。这两种方式在 pytorch 的 interpolate 函数中均有实现。关于它们如何实现，已有好多博客解读。但是 bilinear 情况下，会伴随一个选项 align_corners，默认为 False。关于这个选项的含义，pytorch 1.3.1 官网是如下解释的：这个解释看起来令人似懂非懂。.

align_corner 参数作用概述

MumuziD的博客

12-30

4243

在看[TORCH.NN.FUNCTIONAL.INTERPOLATE](https://pytorch.org/docs/stable/generated/torch.nn.functional.interpolate.html) 官方文档时，有一个参数align_corners 参数理解不清楚。官方解释如下：搜索资料后，通俗的解释如下：默认值align_corners=False，下/上采样时会超出原本的边角像素值范围（边界点也为预测值，不为原像素值。） align_corners=True,下/

cv2 interpolate插值-align_corners

qq_36998053的博客

03-07

5785

torch interpolate torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode='nearest', align_corners=None, recompute_scale_factor=None) input (Tensor)：输入数据 size (int or Tuple[int] or Tuple[int, int] or Tuple[int, int, int])：输出数据的尺寸

align_corners torch上采样

f9547064141的博客

10-18

162

https://zhuanlan.zhihu.com/p/87572724?from_voters_page=true 其中： align_corners=True 配合 8x+1 的尺寸，可以相对于 aling_corners=False 配合 8x 的尺寸，减少内插的数目，并且避免外插。

神经网络学习小记录41——一些常用的tensorflow操作汇总

Bubbliiiing的学习小课堂

03-03

4254

神经网络学习小记录41——一些常用的tensorflow操作汇总学习前言特征层or图像处理1、tf.image.crop_and_resize2、tf.image.resize_images3、tf.transpose获得特定位置的内容1、tf.gather2、tf.gather_nd3、tf.where矩阵操作1、tf.cast2、tf.stack3、tf.concat 学习前言 Keras以t...

align_corner=True/False 的解释

RessCris的博客

05-08

247

align_corner=False/True

记录F.grid_sample及F.interpolate中的align_corners=True

weixin_41544900的博客

06-26

819

但是当align_corners=False时通过F.grid_sample使用坐标（-1，-1）（1,1）等取四个顶点时，发现取不到(说明一下：align_corners=True时可以通过（1,1），（-1，-1）取得8、1、3、1四个顶点)，代码以及结果如下。但是通过代码运行发现align_corners=False时发现四角的边界点还是原来的点，对应上图的是source pixel，而非蓝色的target。一般网上所论述的align_cornersd的True/False的插值方式如下图。

F.interpolate——数组采样操作