Spatial Transformer Networks（STN）

最新推荐文章于 2024-05-05 17:17:25 发布
最新推荐文章于 2024-05-05 17:17:25 发布
阅读量105 收藏
点赞数
分类专栏： Master深度学习 文章标签： 深度学习 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/francis_s/article/details/120608849
版权

1. 首先要知道CNN具有平移不变性

        这是为什么呢？可以回忆一下CNN都做了什么，第一就是卷积，第二就是maxpool。

        当图像的某一个特征从左上角移动到右下角了，那我们CNN会不会受到影响呢？

        因为我们卷积是整个图像都扫一遍，所以无论特征在哪里，我们的卷积核都会扫一遍，所以特征都会被采样到。

        接着是maxpool，maxpool的作用就是将感受野里面的最大值给拿出来，其实也是卷积的作用，只不过是规则不同了，所以只要特征在上面卷积保留下来了，在maxpool这里也会被输出的。

        所以不管特征在哪里，CNN都是把它给挖出来！

2. STN的结构

Localisation net 
        把原图作为输入，过连续若干层计算（如卷积、FC等），回归出参数\theta，θ的维度取决于网络选择的具体变换类型,如选择仿射变换则\theta\subseteq R^{2*3}。如选择投影变换则 \theta\subseteq R^{3*3} 。θ的值决定了网络选择的空间变换的”幅度大小”

Grid generator:

放一下，后面更新

 

 

Francis_s
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
2016-Spatial Transformer Networks理解2
01-17
http://blog.csdn.net/chamie/article/details/78979171
空间变形网络——STN
小白不白
12-04 5844
CNN 的机理使得 CNN 在处理图像时可以做到 transition invariant，却没法做到 scaling invariant 和 rotation invariant。即使是现在火热的 transformer 搭建的图像模型 (swin transformer, vision transformer)，也没办法做到这两点。（注：spatial transformer和这两个transformer原理不一样，虽然都叫transformer）因为他们在处理时都会参考图像中物体的相对大小和位置方向。
服装关键点检测算法(CNN/STN)含(4点、6点以及8点)
datayx的文章
04-10 1969
向AI转型的程序员都关注了这个号????????????人工智能大数据与深度学习 公众号：datayx最近几年服饰关键点检测分析引起了人们的广泛关注。以前的具有代表性的工作是服装关键点的...
STN可以增强CNN网络
持之以恒
10-27 354
https://pytorch.org/tutorials/intermediate/spatial_transformer_tutorial.html
【论文学习】：Spatial Transformer Network
m0_37644085的博客
09-11 2468
原文：https://www.cnblogs.com/liaohuiqiang/p/9226335.html 2015, NIPSMax Jaderberg, Karen Simonyan, Andrew Zisserman, Koray Kavukcuoglu Google DeepMind 为什么提出（Why） 一个理想中的模型：我们希望鲁棒的图像处理模型具有空间不变性，当目标发生某种转...
理解Spatial Transformer Networks
08-13
随着深度学习的不断发展,卷积神经网络(CNN)作为计算机视觉领域的杀手锏,在几乎所有视觉相关任务中都展现出了超越传统机器学习算法甚至超越人类的能力。一系列CNN-based网络在classification、localization、semantic...
1506.02025_Spatial Transformer Networks
08-14
new learnable module, the Spatial Transformer, which explicitly allows the spatial manipulation of data within the network. This differentiable module can be inserted into existing convolutional ...
Spatial-Transformer-Networks_pytorch:空间变压器网络。 请参阅daviddaospatial-transformer-tensorflow
05-14
Tpatial-Transformer-Networks-pytorch 请参阅 （Tensorflow）。 。 陈述 做的杂乱MNIST数据集的实验 。 准确性和损失记录可在cnn.out和stn.out中找到。 转换img可以在transform_img /中找到。 py35_pytorch03_...
2016-Spatial Transformer Networks理解
01-17
http://blog.csdn.net/chamie/article/details/78979171
翻译: 什么是ChatGPT 通过图形化的方式来理解 Transformer 架构 深度学习二
AI架构师易筋
04-30 818
在本章中,我们将深入探讨网络的开始和结束阶段发生的情况,我将花大量时间回顾一些重要的背景知识,这些知识是熟悉Transformer的机器学习工程师的基础知识。如果你已经熟悉背景知识,迫不及待地想了解更多,你可以跳到下一节,重点将放在Transformer的核心部分——注意力模块上。之后,我将更详细地介绍多层感知器模块、训练过程以及之前省略的一些其他细节。对于背景信息,这些视频是对我们深度学习课程系列的补充,你不一定要按顺序观看,
吴恩达深度学习笔记：深度学习的 实践层面 (Practical aspects of Deep Learning)1.11-1.12
weixin_43597208的博客
04-30 917
上节课，我们学习了深度神经网络如何产生梯度消失和梯度爆炸问题，最终针对该问题，我们想出了一个不完整的解决方案，虽然不能彻底解决问题，却很有用，有助于我们为神经网络更谨慎地选择随机初始化参数，为了更好地理解它，我们先举一个神经单元初始化地例子，然后再演变到整个深度网络。有时调优该超级参数效果一般，这并不是我想调优的首要超级参数，但我发现调优过程中产生的问题，虽然调优该参数能起到一定作用，但考虑到相比调优，其它超级参数的重要性，我通常把它的优先级放得比较低。，因为本例中，逻辑回归的特征是不变的。
论文精读-基于FPGA的卷积神经网络和视觉Transformer通用加速器
a284365的博客
05-01 702
针对计算机视觉领域中基于现场可编程逻辑门阵列(FPGA)的传统卷积神经网(CNN)络加速器不适配视 觉Transformer网络的问题，该文提出一种面向卷积神经网络和Transformer的通用FPGA加速器。首先，根据卷 积和注意力机制的计算特征，提出一种面向FPGA的通用计算映射方法;其次，提出一种非线性与归一化加速单 元，为计算机视觉神经网络模型中的多种非线性和归一化操作提供加速支持;然后，在Xilinx XCVU37P FP- GA上实现了加速器设计。
每天五分钟深度学习：导数是反向传播算法的数学基础
huanfeng_AI的博客
04-30 709
导数作为微积分学的核心概念之一，不仅在数学领域内占有举足轻重的地位，更在实际问题中发挥着不可替代的作用。我们要想学习反现象传播算法，我们前提是先要学习导数的概念。本节课程我们将看一下导数是什么？
Sarcasm detection论文解析 |用于微博讽刺检测的上下文增强卷积神经网络
人工智能学习生
04-30 1158
在卷积神经网络的基础上，我们为这项任务提出了两种不同的语境增强神经网络模型。与之前的研究相比，我们的神经网络模型将推文内容本身的特征和上下文特征以单词向量的形式整合到了一个模型中。实验结果表明，与最先进的离散模型和基于上下文的模型相比，我们提出的上下文增强神经网络模型具有更好的性能，证明了上下文增强神经网络模型在这项任务中的有效性。
一起深度学习24/04/30——ResNet
weixin_46348136的博客
04-30 300
仅个人记录使用
【一起深度学习——批量规范化】
最新发布
weixin_46348136的博客
05-05 299
仅记录个人学习状况。
卷积神经网络要点和难点实际案例和代码解析
2401_84235249的博客
05-03 827
卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，如像素和音频进行学习，具有稳定的效果且对数据没有额外的特征工程要求。ImageNet挑战赛：CNN在图像分类任务中取得了巨大的成功，其中最著名的是AlexNet，它在2012年的ImageNet大规模视觉识别挑战赛（ILSVRC）中一举夺冠，引领了深度学习在计算机视觉领域的研究热潮。因此，如何提高卷积神经网络的可解释性是一个值得研究的问题。
【一起深度学习-----VGG】
weixin_46348136的博客
05-05 423
仅记录个人学习。
【一起深度学习吧！！！！！】24/05/03
weixin_46348136的博客
05-03 709
仅个人记录学习状况哈哈哈
spatial transformer networks
09-13
空间变换网络（Spatial Transformer Networks，STN）是一种神经网络结构，用于改善卷积神经网络（CNN）的空间不变性。STN可以对经过平移、旋转、缩放和裁剪等操作的图像进行变换，使得网络在变换后的图像上得到与...

“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
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