align_corners=True

最新推荐文章于 2023-12-08 15:56:34 发布
最新推荐文章于 2023-12-08 15:56:34 发布
阅读量2.4k 收藏
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
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

 

 

_Gus_
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
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 1834
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 1655
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。
【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 3543
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
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
12-08 902
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 1484
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。
【图像处理】bilinear中的align=True or False
Shwan_ma的博客
09-27 7422
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
缩放过程中的中心点对齐，即align_coners
xiaojiajia007的博客
02-27 6002
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 3000
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 4188
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 5769
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 4249
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...
记录F.grid_sample及F.interpolate中的align_corners=True
weixin_41544900的博客
06-26 787
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
热门推荐
qq_50001789的博客
09-14 9万+
F.interpolate——数组采样操作 torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode='nearest', align_corners=None, recompute_scale_factor=None) 功能：利用插值方法，对输入的张量数组进行上\下采样操作，换句话说就是科学合理地改变数组的尺寸大小，尽量保持数据完整。 输入： input(Tensor)：需要进行采样处理的数组。 size(int
torch.nn.functional.interpolate()函数详解
qq_44289607的博客
03-15 2万+
通常可以使用pytorch中的torch.nn.functional.interpolate()实现插值和上采样。上采样，在深度学习框架中，可以简单理解为任何可以让你的图像变成更高分辨率的技术。 input(Tensor):输入张量 size(intor Tuple[int] or Tuple[int, int] or Tuple[int, int, int]) :输出大小 scale_factor (float or Tuple[float]) :指定输出为输入的多少倍数...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值