亚像素卷积和转置卷积

最新推荐文章于 2021-06-02 17:29:54 发布
最新推荐文章于 2021-06-02 17:29:54 发布
阅读量8.4k 收藏 21
点赞数 11
分类专栏： 深度学习-图像处理 文章标签： 亚像素卷积 转置卷积
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/aaa958099161/article/details/90375383
版权

CNN中对特征图进行上采样常用的操作有转置卷积和亚像素卷积

1、转置卷积

转置卷积（Transposed Convolution）又称为反卷积（Deconvolution）

先看下普通的卷积过程：

如下图： 

 

这是一个卷积核大小为3x3，步长为1，padding为0的普通卷积

转置卷积的过程：

2、亚像素卷积

把一个3x3的小图片变成一个5X5的大图片。白色虚线区域全填0。

subpixel作者认为，这些白色的填0区域，是无效信息，甚至对求梯度优化有害处。

明明可以直接从原图得到信息，何必非要填0呢。

具体的细节看这个图：

我的理解是：对特征图进行重新排列，这种方式在图像超分辨率应用广泛

W*H*C --》2W*2H*C/4

感谢：https://www.zhihu.com/question/56177877/answer/269452316

 

唯我视你为青山
关注
  • 11
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
超分算法ESPCN：Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel亚像素卷积
qq_45122568的博客
04-20 6607
Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network一级目录二级目录三级目录 Sub-Pixel Convolutional Neural Network) https://arxiv.org/pdf/1609.05158.pdf 一级目录 二级目录 三级目录 ...
亚像素卷积Sub-Pixel Convolutional
u014071947的博客
02-24 4897
论文题目：Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network 论文下载：点此下载原文 论文重点：低分辨率图像使用亚像素卷积产生高分辨率图像 低分辨率图像大小：H × W × C 生成高分辨率图像大小为：rH × rW × C，r是缩放倍数 举个栗子：原始图像大小为 3 × 20 × 20（顺序是 C H W，3是通道数），放大2倍后生成图像
【深度学习笔记】亚像素 / sub-pixel、亚像素卷积
学习带来的快乐最持久~
06-20 2万+
近段时间需要用到亚像素卷积的知识，因此上网查阅了论文和资料，此文是根据网上的博文以及相关论文，依据个人的理解整理而来。 总而言之，拾人牙慧而已。 Content1 亚像素的定义1.1 亚像素理解1.2 何谓亚像素？1.3 何谓亚像素精度？2 图像处理中的sub-pixel是什么意思？3 PixelShuffle参考文献 1 亚像素的定义 下面的内容引自1-2 1.1 亚像素理解 在相机成像的过程中，获得的图像数据是将图像进行了离散化的处理，由于感光元件本身的能力限制，到成像面上每个像素只代表附近.
亚像素卷积(Sub-pixel Convolution)
lhq&cfk
11-22 7865
论文链接：https://arxiv.org/abs/1609.05158 论文核心: 低分辨率图像通过亚像素卷积生成高分辨率图像,实现了图像的超分辨率。如：低分辨率图像大小为 H × W × C变为高分辨率图像大小为 rH × rW × C，其中r为缩放倍数 实现架构 论文重点 亚像素卷积之后输出的特征通道数为r^2，其中r为缩放倍数。 理论如下: ...
亚像素(Pixel)
zhusuguo的专栏
12-03 1024
<br />转自 http://baike.baidu.com/view/2615333.htm<br /> <br /> <br />亚像素   英文 Pixel<br /> <br />定义：<br />面阵摄像机的成像面以像素为最小单位。例如某CMOS摄像芯片，其像素间距为5.2微米。摄像机拍摄时，将物理世界中连续的图像进行了离散化处理。到成像面上每一个像素点只代表其附近的颜色。至于“附近”到什么程度？就很难解释。两个像素之间有5.2微米的距离，在宏观上可以看作是连在一起的。但是在微观上，它们之间还有
PyTorch学习笔记(10)——上采样和PixelShuffle
热门推荐
g11d111的博客
09-27 11万+
去年曾经使用过FCN（全卷积神经网络）及其派生Unet，再加上在爱奇艺的时候做过一些超分辨率重建的内容，其中用到了毕业于帝国理工的华人博士Shi Wenzhe（在Twitter任职）发表的PixelShuffle《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional...
CNN可视化& 反卷积.zip
04-30
接下来，我们来讨论反卷积（也称为转置卷积或上采样）。2011年ICCV的论文引入了反卷积网络（Adaptive Deconvolutional Networks），这是对传统卷积操作的一种逆向过程。在CNN中，卷积层通过下采样减少空间维度，以...
Visualize-Mnist:使用转置卷积可视化Mnist卷积特征图
05-11
以下是关于转置卷积和其在MNIST可视化中的应用的一些关键知识点： 1. **转置卷积的理解**：在标准卷积中，滤波器（filter）在输入数据上滑动并产生特征映射。转置卷积则是它的逆过程，它使用已有的特征映射来产生更...
Convolutional Auto-Encoders卷积自编码器（Matlab代码）
07-17
MNIST数据集包含了60000个训练样本和10000个测试样本，每个样本都是28x28像素的灰度图像。 训练过程通常包括前向传播、反向传播和权重更新等步骤。在caeexamples.m中，可能使用`trainNetwork`函数来完成这些操作。...
深度学习网络画图卷积反卷积
最新发布
03-06
反卷积网络（DeconvNet），也称为转置卷积或上采样网络，常用于图像生成和像素级预测任务。它通过逆转卷积过程，将低维度的特征图扩展回原始输入的空间大小，从而实现从特征到图像的映射。反卷积在网络架构中起到...
Pytorch使用高效亚像素卷积神经网络的超分辨率代码.zip
08-13
Pytorch使用高效亚像素卷积神经网络的超分辨率代码
反卷积（卷积层的可视化）
12-14
反卷积（Deconvolution）的概念第一次出现是Zeiler在2010年发表的论文Deconvolutional networks中，但是并没有指定反卷积这个名字，反卷积这个术语正式的使用是在其之后的工作中(Adaptive deconvolutional networks for mid and high level feature learning)。随着反卷积在神经网络可视化上的成功应用，其被越来越多的工作所采纳比如：场景分割、生成模型等。其中反卷积（Deconvolution）也有很多其他的叫法，比如：Transposed Convolution，Fractional Strided Convolution等等。
亚像素图像处理
10-10
亚像素图像处理，想更加深入了解可以看下文档中LICENSE.pdf
Python-subpixel利用Tensorflow的一个子像素卷积神经网络
08-10
subpixel：利用Tensorflow的一个子像素卷积神经网络
srcnn-master.zip_SRCNN_SRCNN代码_卷积_卷积神经_神经网络
07-13
最后，像素级预测层通常使用一个转置卷积（也称为上采样卷积）层，它的作用是将特征图恢复到与原图相同的尺寸，实现像素级别的预测。 训练SRCNN时，通常采用大量配对的低分辨率图像和对应的高分辨率图像作为样本。...
亚像素卷积网络(ESPCN)学习与Pytorch复现
如何心安理得的在老板眼皮下摸鱼
06-02 1万+
论文地址：Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network | IEEE Conference Publication | IEEE Xplore
Sub-pixel Convolution(子像素卷积)
木盏
12-12 3万+
Sub-pixel convolution是一种巧妙的图像及特征图upscale的方法，又叫做pixel shuffle（像素洗牌）。我们知道，用深度学习处理图像的话，经常需要对特征图放大。常见的方法有直接上采样，双线性插值，反卷积等等。本文主要介绍一种在超分辨率中经常使用的upscale方法——sub-pixel convolution。 采用CNN对feature map进行放大的方法，除了...
亚像素卷积，基于pytorch实现
qq_43534932的博客
04-12 3053
前言 作为一种增强数据分辨率的方法，亚像素卷积被用于计算机视觉中的超分任务当中。与反卷积不同的是，反卷积是先补零，在进行卷积操作，而亚像素卷积是直接对数据进行channel，维度的扩大，再通过reshape的方式来提高分辨率。 亚像素卷积走的是： [B,H,W,C] -》[B,H,W,Crr] -》[B,Hr,Wr,C] 的过程，集体流程如下图所示 代码实现 import torch import torch.nn as nn import torch.nn.functional as F class
ESPCN：基于高效的亚像素卷积神经网络的实时单张图片与视频超分表率重构
Fraps_的博客
04-19 3897
Real-Time Single Image and Video Super-Resolution Using an EfficientSub-Pixel Convolutional Neural Network 我挑选了论文中最有趣的部分翻译并加上了自己的理解 Abstract 最近，几种基于深度神经网络的单张图片超分辨率重构方法在重构精确度和计算性能上都取得了突破性的进步。在那些方法中，输入的...
1. Unsampling 和转置卷积的区别
06-09
Upsampling和转置卷积都可以用于增加图像或特征图的尺寸，但它们的本质不同。 Upsampling是一种简单的插值方法，通过在原始图像或特征图中插入新的像素或特征点来增加尺寸。常见的插值方法有最近邻插值、双线性插值、双三次插值等。这种方法可以快速地增加图像或特征图的分辨率，但可能会导致图像或特征图的模糊或失真。 转置卷积是一种卷积的反向操作，它可以将低维特征图转换为高维特征图。它通过在输入特征图中插入一些零值来扩展特征图的尺寸，然后执行卷积运算来填充这些零值，从而得到输出特征图。这种方法可以保持特征图的清晰度和准确性，但计算量较大。 因此，Upsampling和转置卷积都有各自的优缺点，根据具体的应用场景选择合适的方法。

“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