卷积之后图像的大小计算公式

于 2023-09-19 20:22:43 发布
阅读量79 收藏
点赞数
文章标签： python cnn
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/Mr_Legendg/article/details/133044168
版权

对于大部分CNN网络，输入图像是NN的形状，矩形也会进行填充变成正方形。
对于我的输入
480480的单通道灰度图
经过64个filter
每个大小都是3*3
padding=1
nn.Conv2d(1, 64, kernel_size=3, padding=1)
输出图像的大小仍不变
公式如下：

out_size = (input_size - kernel_size + 2*padding) / strides + 1
Mr_Legendg
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
matlab实现不同类型和大小卷积核处理数字图像
05-23
Write a function Convolution (Image I, Kernel H) that has arguments a. Image B (Images is corrupted by salt-and-pepper noise). b. Kernel H (You should allow varying size Kernels) ...
卷积运算和运算后特征图大小计算2
12-21
every blog every motto: Stay hungry...关于卷积的基本运算参照卷积运算和运算后特征图大小计算1 参数定义： 输入大小：intputH 卷积核大小：K 步长：S 填充：P 输出图像大小：outputH 1.1 padding=valid 不进行填充，
超详细的卷积后大小的计算公式
热门推荐
Mr_WHITE2的博客
01-07 3万+
计算公式定义 定义几个参数 输入图片大小 W×W 卷积核大小 F×F 步长 S padding的像素数 P 于是我们可以得出计算公式为： N = (W − F + 2P )/S+1 输出图片大小为 N×N 以resnet50为例，输入为[1,3,224,224]，其中1为batchsize，3为通道数，224为height和width。 经过第一层卷积后，其大小为[1,64,112,112] in_channels= 3//输入通道 out_channels= 64 //输出通道 nn.Conv2d(in_
卷积神经网络(CNN)张量(图像)的尺寸和参数计算(深度学习)
kyle1314608的博客
06-02 5884
卷积神经网络(CNN)张量(图像)的尺寸和参数计算(深度学习) 分享一些公式计算张量（图像）的尺寸，以及卷积神经网络（CNN）中层参数的计算。 以AlexNet网络为例，以下是该网络的参数结构图。 AlexNet网络的层结构如下： 1.Input:图像的尺寸是227*227*3. 2.Conv-1:第1层卷积层的核大小11*11，...
神经网络之卷积层，池化层输出大小计算(转载别人的)
孤独咕噜的博客
09-08 380
总结：卷积输出大小=[（输入大小-卷积核（过滤器）大小+2P）／步长]+1。总结：池化输出大小=[（输入大小-卷积核（过滤器）大小）／步长]+1。输出图像大小： （width，height，N）W:图像宽，H:图像高，D:图像深度（通道数）W:图像宽，H:图像高，D:图像深度（通道数）如卷积核宽高为3时 padding 选择1。如卷积核宽高为7时 padding 选择3。F：卷积核宽高，N:卷积核（过滤器）个数。卷积后输出图像深度： N=D。池化后输出图像深度： N=D。F：卷积核宽高，S:步长。
五、卷积神经网络CNN8（不同卷积后图像大小计算）
myani的博客
12-09 2990
不同卷积后图像大小计算
图像卷积后的大小计算公式
conli的博客
07-09 1万+
先定义几个参数 输入图片大小 W*W Filter（卷积核）大小F*F 步长 Step padding（填充）的像素数P，P=1就相当于给图像填充后图像大小为W+1 *W+1 输出图片的大小为N * N ...
卷积稀疏 图像融合.zip
05-08
这是基于卷积稀疏表征的图像融合源码。下载后直接解压运行。
基于AOD 卷积网络图像去雾实战.zip
01-15
之后，我训练了 AOD 卷积网络来进行图像去雾，并对数据集图片做一定的处理，增加了网络的鲁棒性，去雾效果也很不错。暗原色先验的去雾算法使用 MATLAB 实现，使用 MATLAB 的 GUI 设计了用户界面；AOD 卷积网络使用 ...
卷积神经网络CNN进行图像分类_matlab
04-10
资源名：卷积神经网络CNN进行图像分类_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定...
卷积后图片大小计算
Arcpii的博客
02-27 1447
转载链接 图片大小 W*W Filter大小 F×F 步长 S padding的像素数 P 计算公式 N = (W − F + 2P )/S+1
教你如何记住卷积后图像大小的公式
Setul
11-05 1597
假设输入图像的尺寸为i x i，输出图像尺寸为 o x o， 步长stride为s, 某一边的padding为p，kernal的大小为k x k，则公式为： 如何快速记住这个公式呢？ 如上图画了一个实例，输入图像大小为3 x 3， i = 3; p = 1; s = 1; k = 3. 3 x 3的图像经过padding以后变为5 x 5，即i + 2p。而 i + 2p - k 的含义则是图中的蓝色kernal有几个像素可以走，每一步的步长是s，(i + 2p - k) / s 的意思显然就是蓝色ke
卷积后的图片大小计算
计算机研究生
01-16 2万+
先定义几个参数 输入图片大小 W×W Filter大小 F×F 步长 S padding的像素数 P 于是我们可以得出 N = (W − F + 2P )/S+1 输出图片大小为 N×N
卷积、池化后的图像大小计算（附例子）
木头VS星星
06-11 2万+
用CNN网络进行图片处理，就会遇到卷积、池化后的图像大小问题，一般搜到的答案是这样的：对于初学者，看到这个公式的唯一疑问是：P值到底是多少？在Tensoflow中，Padding有2个选型，'SAME'和'VALID' ，下面举例说明差别：如果 Padding='SAME'，输出尺寸为： W / Simport tensorflow as tf input_image = tf.layers.In...
卷积神经网络系列之卷积/池化后特征图大小怎么计算？？
橙子Blue不加冰
12-16 9496
1.卷积后的大小： W：矩阵宽，H：矩阵高，F：卷积核宽和高，P：padding（需要填充的0的个数），N：卷积核的个数，S：步长 width：卷积后输出矩阵的宽，height：卷积后输出矩阵的高 width = （W - F + 2P）/ S + 1 height = （H - F + 2P） / S + 1 当conv2d(), max_pool() 中的 padding=SAME时，width=W，height=H，则保证输入输出尺寸图片大小相等，当padding=‘valid’时，P=0，相当于不填
卷积/池化后的图片大小计算
qq_32172681的博客
08-06 3352
1、卷积操作 设输入图像尺寸为WxW，卷积核尺寸为FxF，步幅为S，Padding使用P,经过该卷积层后输出的图像尺寸为NxN： 2、池化操作 设输入图像尺寸为WxW，卷积核的尺寸为FxF，步幅为S，池化后输出图像大小： ...
图像卷积和池化操作后的特征图大小计算方法
ZJE
12-20 3万+
一，卷积操作 若图像为正方形：设输入图像尺寸为WxW，卷积核尺寸为FxF，步幅为S，Padding使用P,经过该卷积层后输出的图像尺寸为NxN： 若图像为矩形：设输入图像尺寸为WxH，卷积核的尺寸为FxF，步幅为S，图像深度(通道数)为C，Padding使用P，则： 卷积后输出图像大小： ， ， ...
卷积操作后特征图大小计算
qq_41168327的博客
03-08 8523
一，卷积操作 若图像为正方形：设输入图像尺寸为WxW，卷积核尺寸为FxF，步幅为S，Padding使用P,经过该卷积层后输出的图像尺寸为NxN：   若图像为矩形：设输入图像尺寸为...
[转载]卷积，池化操作后的图像尺寸计算
qq_52254197的博客
05-24 3319
[转载]卷积，池化操作后的图像尺寸计算 原文 一，卷积操作 若图像为正方形：设输入图像尺寸为WxW，卷积核尺寸为FxF，步幅为S，Padding使用P,经过该卷积层后输出的图像尺寸为NxN： N=W−F+2PS+1 N=\frac {W-F+2P} {S} +1 N=SW−F+2P​+1 若图像为矩形：设输入图像尺寸为WxH，卷积核的尺寸为FxF，步幅为S，图像深度(通道数)为C，Padding使用P，则： 卷积后输出图像大小： W=W−F+2PS+1H=H−F+2PS+1 W=\frac {W-F+2P}
卷积神经网络的计算公式
最新发布
10-10
卷积神经网络（Convolutional Neural Network，CNN）是一种常见的深度学习模型，它主要是应用于图像和语音等数据的处理和分析。卷积神经网络的计算公式如下所示： $y_i=f(\sum_{j=1}^{n} w_jx_{i-j+1}+b)$ 其中，$y_i$表示输出的第$i$个特征值，$x_i$表示输入的第$i$个特征值，$w_j$表示卷积核中的权重，$b$表示偏置项，$f$表示激活函数，$n$表示卷积核的大小。 卷积神经网络通过卷积运算来提取输入数据中的特征，并且通过池化层来减小特征图的尺寸，最终将特征图传递给全连接层进行分类或回归等任务。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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