1*1卷积核

最新推荐文章于 2024-06-22 21:14:08 发布
最新推荐文章于 2024-06-22 21:14:08 发布
阅读量163 收藏
点赞数
分类专栏： 深度学习 文章标签： 卷积神经网络
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/MrMrshumo/article/details/108042697
版权

文章目录

1 x 1卷积核

如果卷积的输出输入都只是一个平面，那么1x1卷积没有什么意义，它完全不考虑像素与周边其他像素关系。但是卷积的输出输入是长方体，所以1x1卷积实际上是对每个像素点，在不同的channels上的线性组合，且保留了图片的原有平面结构，调控depth，从而完成升维或者降维的功能。

如下图，如果选择2个filters的1x1卷积层，那么数据体就从原来的depth=3降到了2.若用4个filters，则起到了升维作用。
在这里插入图片描述

参考

注意看其参考文献

TRI_SEVEN
关注
专栏目录
1*1卷积核的理解
weixin_38410551的博客
01-14 358
可以在不改变分辨率的前提下，提高卷积核提取特征的能力。 能够进行降维和升维。（通道数） 意义：可以完成不同通道的特征图之间信息的融合，提高特征的提取能力。 首先应用于goolenet, Resnet也在用。 参考链接： https://blog.csdn.net/amusi1994/article/details/81091145 ...
1*1 卷积核
关于我的学习记录
12-06 558
1*1 卷积核
MTLDesc: Looking Wider to Describe Better阅读笔记
最新发布
weixin_46078886的博客
06-22 777
为了获得多样化的周围上下文，所以把描述子张量进行解耦成四个（h/4，w/4，32）的张量，分别使用不同的卷积来提取特征（描述子），使用一个1*1的卷积核三个3*3的膨胀卷积（膨胀率分别为6，12，18），这样使得描述子能够获得多样化不同周围大小的信息，提升描述子质量，最后把解耦的四个张量再拼接成（h/4，w/4，128）与原始输入再进行融合就得到了最终的描述子张量D（h/4，w/4，128）。从损失函数中可以看出当||x||+小而||x||-大的时候，损失小，效果好，所以反向传播时会把。
神经网络中的1x1卷积核
遥远的她
02-24 2105
本文参考自CVer公众号的文章"一文读懂神经网络中的1x1卷积核"，但我在读他的文章时觉得作者对1x1卷积核的理解或阐述有失偏颇，特此记文来发表我的看法，文中图片都摘自CVer的博文。 在介绍卷积神经网络中的1x1卷积之前，首先回顾卷积网络的基本概念。 1. 卷积核（convolutional kernel）：可以看作对某个局部的加权求和；它是对应局部感知，它的原理是在观察某个物体时我们既不能...
详细学习1*1卷积核
庆志的小徒弟
10-08 2万+
1*1卷积是大小为1*1的滤波器做卷积操作，不同于2*2、3*3等filter，没有考虑在前一特征层局部信息之间的关系。我们从1*1卷积的两个主要使用来理解其原理和作用。 卷积核：可以看作对某个局部的加权求和，它是对应局部感知，它的原理是在观察某个物体时我们既不能观察每个像素也不能一次观察整体，而是先从局部开始认识，这就对应了卷积。卷积核的大小一般有1x1,3x3和5x5的尺寸。卷积核的个数就...
如何理解卷积神经网络中的1*1卷积
热门推荐
zhangxu
07-10 5万+
我们都知道，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，卷积的过程是对局部相关性的一直抽取。 但是在学习卷积神经网络的过程中，我们常常会看到一股清流般的存在—1*1的卷积！比如在残差网络的直连里： 残差网络的Bootleneck残差模块里： 比如在Go
1×1卷积核的简单讲解
TBTB的博客
06-12 7949
1×1卷积核主要功能是改变通道数目，致使减少计算量。在使用1×1卷积核的过程中，不改变原始图片的宽度和高度，它只是改变了通道数。它同时对原始图片的所有信道进行卷积，融合成一个值，如下图所示： 上图是一个图片的三个通道，通过 1×1卷积核，形成了与原始图片相同高与宽图片，只是通道变为了 1 的 features map，1×1卷积之后的值，如下所示： 以下图为例，我们可以考到，计算量明显减少。 ...
1*1的卷积核作用
挥剑决浮云的博客
04-20 3326
目前初步接触到的作用： 降维（ dimension reductionality ）。比如，一张500 * 500且厚度depth为100 的图片在20个filter上做11的卷积，那么结果的大小为500500*20。 升维同理。 深度学习中，卷积本质上是对信号按元素相乘累加得到卷积值： 卷积：多通道形式 一个5 x 5 x 3矩阵，有3个通道，filters是3 x 3 x 3矩阵。首先，filters中的每个kernels分别应用于输入层中的三个通道，执行三次卷积，产生3个尺寸为3×3的通道： 将这
1*1 的卷积核
weixin_30909575的博客
07-20 112
1、降维（ dimension reductionality ）。1*1 的卷积核是对每个像素点，在不同的channels 进行线性组合（信息组合），调控depth。比如，一张500 * 500且厚度depth为100 的图片在20个filter上做1*1的卷积，那么结果的大小为500*500*20。 2、加入非线性。卷积层之后经过激励层，1*1的卷积在前一层的学习表示上添加了非...
1*1卷积核的作用
菜鸟起飞
08-13 5万+
作用： 跨通道的特征整合 特征通道的升维和降维 减少卷积核参数（简化模型） 1 跨通道的特征整合 如果当前层和下一层都只有一个通道那么1×1卷积核确实没什么作用，但是如果它们分别为m层和n层的话，1×1卷积核可以起到一个跨通道聚合的作用，所以进一步可以起到降维（或者升维）的作用，起到减少参数的目的。 这里通过一个例子来直观地介绍1x1卷积。输入6x6x1的矩阵，这里的1x1卷积形式为1x1x1，即为元素2，输出也是6x6x1的矩阵。但输出矩阵中的每个元素值是输入矩阵中每个元素值x2的结果。 ..
1*1的卷积核的作用
Chaolei3的博客
02-25 3135
参考：https://zhuanlan.zhihu.com/p/22038289?refer=intelligentunit https://iamaaditya.github.io/2016/03/one-by-one-convolution/ http://blog.csdn.net/yiliang_/article/details/60468655 http://blog.csdn.n...
一文读懂卷积神经网络中的1x1卷积核
小白学视觉
01-01 3012
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达前言在介绍卷积神经网络中的1x1卷积之前，首先回顾卷积网络的基本概念[1]。1. 卷积核（convolutional kernel）：可以看作对某个局部的加权求和；它是对应局部感知，它的原理是在观察某个物体时我们既不能观察每个像素也不能一次观察整体，而是先从局部开始认识，这就对应了卷积。卷积核的大小一般有1x1,3x3和5x5的...
1*1大小的卷积核的作用与功能
weixin_48727047的博客
02-26 779
1*1大小的卷积核的作用与功能
caffe学习笔记33-关于1*1卷积核理解
YiLiang
03-05 6213
caffe学习记录
详解 1x1 卷积核
绿色羽毛
11-17 2337
表面看来，1x1 卷积核似乎并不是真正的滤波器，它只是将图像的每个点都乘以 1 个权重，再加上 1个偏置；因此，通过 N个 1x1 卷积核，只需少量参数，就能将 M张图像变为 N张图像； 应用场景 如需将图像分为 N类，可在最后用 1x1 卷积层 将 M张图像转换为 N张图像，在通过全局池化变为 N个数字，送入 Softmax计算输出； 可用 1x1 卷积层作为 瓶颈层。假设输入通道是 256个，要求经过 3x3卷积，最后输出通道也是 256个，那么有 2种实现方式： 直接送入3x3 卷积层，
深度学习基础---1x1卷积核
xys430381_1的专栏
05-08 202
一文读懂卷积神经网络中的1x1卷积核
1*1卷积核的理解和作用
weixin_30569033的博客
10-03 257
权值共享基本上有两种方法： 在同一特征图和不同通道特征图都使用共享权值，这样的卷积参数是最少的，例如上一层为30*30*40，当使用3*3*120的卷积核进行卷积时，卷积参数为：3*3*120个.(卷积跟mlp有区别也有联系一个神经元是平面排列，一个是线性排列) 第二种只在同一特征图上使用共享权值，根据上面的例子，则卷积参数为：3*3*40*120. 1×1的卷积大概有两个方面...
特征输入与输出的情况下，1*1卷积核与3*3卷积核的区别
03-24
1*1卷积核和3*3卷积核的主要区别在于它们的大小和作用范围。1*1卷积核在特征图上进行像素级别的计算，只考虑当前像素点本身的特征，可以用来压缩特征维度，减少计算量。而3*3卷积核则涉及到当前像素的邻域范围，能够...
评论
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