1*1卷积核的作用

已于 2022-03-12 22:20:03 修改
阅读量1.3k 收藏 9
点赞数 1
文章标签： 卷积 卷积核
于 2020-05-17 21:30:11 首次发布
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/hxxjxw/article/details/106181162
版权

1*1的卷积最早是在NiN的paper中提出来的

1*1卷积核的作用

①1*1的卷积核能够实现维度的改变（降维）

        降维的话，也能减少参数量

②实现跨通道的交互和信息整合

对于单通道feature map 用单核卷积即为乘以一个参数，而一般情况都是多核卷积多通道，实现多个feature map的线性组合

③减少计算量

即bottleneck

不引入1×1卷积的卷积操作　
在这里插入图片描述
引入1×1卷积的卷积操作
在这里插入图片描述

④可以实现与全连接层等价的效果

如在fast-rcnn中用 1 * 1 * m 的卷积核卷积n（如512）个特征图的每一个位置（像素点），其实对于每一个位置的1*1卷积本质上都是对该位置上n个通道组成的n维vector的全连接操作。

32是有32个通道，32个channel

如果我们有16个卷积核 ，那么我们的这里应该是16

即新图片的channel数是16

新图片的channel数和原图片的channel数完全没相关

我们的卷积核是[16,32,1,1]

这个32是和原图的通道数对应的，因为我们每个通道都要做channel

而这个16是我们自己选择，有16种feature来做，比如锐化、模糊、浮雕等等

所以1*1的卷积核实现了一个什么效果——维度的改变

如何理解卷积神经网络中的1*1卷积_zhangxu-CSDN博客_1*1卷积

hxxjxw
关注
  • 1
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【深度学习】CNN 中 1x1 卷积核的作用
frank 的专栏
10-19 1万+
最近研究 GoogLeNet 和 VGG 神经网络结构的时候，都看见了它们在某些层有采取 1x1 作为卷积核，起初的时候，对这个做法很是迷惑，这是因为之前接触过的教材的例子中最小的卷积核是 3x3 ，那么，1x1 的卷积核有什么意义呢？ 最初应用 1x1 卷积核的神经网络是 Network In Network，然后 GoogLeNet 和 VGG 也不约而同的更正了。 他们在论文中解释，大概有下...
为什么要分别使用1*1，3*3，1*1的卷积核进行降维和升维
Cool_Uncle的博客
12-15 1万+
使用三个不同大小的卷积核是为了减少参数的数量。 1.首先是卷积核的数量问题。 因为一张图片可能有很多特征，所以可能需要学习多个卷积核用来提取图像特征。 图中不同颜色代表不同的特征，需要学习对应数量的卷积核进行特征提取。 对于灰度图像，例如一个图像大小是5×5， 有一个3×3的卷积核对着图像进行卷积，卷积结束后生成一个3×3的矩阵。 如果有2个卷积核对着图像卷积，就会生成两个3×3的矩阵。 同理有多少个卷积核对图像卷积就有多少个矩阵。 这个叫做通道。 如果有4个特征，可以设置4个2维卷积核进行特征提取，提取
YOLO组件之C2f模块介绍
yueguang8的博客
05-08 9597
C2f模块在CSP Bottleneck结构中起到关键的作用，通过特征转换、分支处理和特征融合等操作，提取和转换输入数据的特征，生成更具表征能力的输出。这有助于提高网络的性能和表示能力，使得网络能够更好地适应复杂的数据任务。
1x1卷积作用
最新发布
qq_41037856的博客
08-05 603
1x1卷积是一种卷积核大小为1x1的卷积操作。在输入特征图的每个位置，1x1卷积仅对该位置的通道进行线性组合，而不影响空间维度。特征降维是指通过减少特征图的通道数来降低其维度。这种操作可以有效减少参数数量和计算复杂度，避免过拟合，提高计算效率。特征升维是指通过增加特征图的通道数来提升其维度。这种操作可以增强特征表达能力，增加模型的表示能力，捕捉更丰富的特征信息。
1X1卷积核到底有什么作用
热门推荐
wonengguwozai的博客
06-10 1万+
1*1的卷积核在NIN、Googlenet中被广泛使用，但其到底有什么作用也是一直困扰的问题，这里总结和归纳下在网上查到的自认为很合理的一些答案，包括1）跨通道的特征整合2）特征通道的升维和降维  3）减少卷积核参数（简化模型） 部分转载自caffe.cn 作用：1. 实现跨通道的交互和信息整合2. 进行卷积核通道数的降维和升维3.对于单通道feature map 用单核卷积即为乘以一个参数，...
1*1的卷积核的作用
Chaolei3的博客
02-25 3134
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...
1*1的卷积核作用
xiaobian_的博客
04-03 366
1x1的卷积核，由于大小只有1x1，所以并不需要考虑像素跟周边像素的关系，主要用于调节通道数，对不同的通道上的像素点进行线性组合，然后进行非线性化操作，在Resnet中常用于升维和降维。 比如：选择2个1x1大小的卷积核，那么特征图的深度将会从3变成2，如果使用4个1x1的卷积核，特征图的深度将会由3变成4。 ...
cnn卷积核channel，数量，1*1卷积核降维原理
m0_55392122的博客
05-08 2993
卷积核channel和数量的区别cnn卷积channel1.filter的channel=输入图像的channel 2.filter的个数=输出图像的channel1×1\times1×1卷积降维tensorflow cnn卷积 众所周知，cnn最重要的就是卷积层和池化层，对于卷积层中，通过使用卷积核与原图像进行卷积操作，降低数据量方便计算。卷积操作为： 通过上述操作可以使大家清晰的看到卷积操作，但是卷积核的处理非常重要，那么卷积核的channel以及个数有什么区别呢？以下是我通过借阅别的大佬的博客做出如
深度学习CV方向学习笔记4 —— 1×1卷积核的作用
qq_33909645的博客
10-13 1785
个人学习神经网络相关知识的学习记录，本帖记录的是关于1×1卷积核的知识。 学习资料来源于各博主的帖子、知乎、b站等，在个人理解的基础上加以总结，可能存在理解有误之处，欢迎指正！
卷积核参数的计算及1*1卷积核
pro_misefetion的博客
03-29 4338
卷积过程 首先，明确一个概念：卷积并不只是一个二维的过程，实际上对于输入的图片一般而言是三个通道的（R、G、B），那为什么输出的结果可以是128个通道呢？实际上经过卷积过后的通道数是由卷积核的个数来决定的，整个的卷积过程二维情况下也就是在每个通道下发生的卷积过程为： 在多通道情况下的卷积情况如下： 其实滤波器的维度应该是和输入图片相同的，输出的维度则是由滤波器的个数决定，卷积过程为： 如果把...
1*1卷积核用法与权值共享
xlhao的博客
12-10 2601
# **权值共享方法** 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.   权值共享 CNN中权值共...
浅析1×1卷积核的作用
ywhshixiaobai的博客
05-16 590
最近在啃有关cv方向的论文的时候，总会在网络结构中出现1×1的卷积核，之前一直是模棱两可的带过。故借此条博客，想把我理解的1×1卷积核的作用做一总结归纳。 （1）升维和降维 我们知道，图片经过1×1的卷积核是不会改变其高和宽的，所以想在不改变尺寸的情况下进行升维和降维就可以用到1×1的卷积核。 a(升维) (b)降维 (2)各通道特征融合 这是1×1卷积核的核心作用，如图(b)所示，原来64通道的输入经过1×1卷积核之后，变成了32通道的输出。从64到32， 可以理解为64个通道
1x1卷积核的作用
slzx5511的博客
05-25 430
参考知乎一篇文章h一文读懂卷积神经网络中的1x1卷积核 捡点核心做下记录： 降维/升维 由于 1×1 并不会改变 height 和 width，改变通道的第一个最直观的结果，就是可以将原本的数据量进行增加或者减少。这里看其他文章或者博客中都称之为升维、降维。但我觉得维度并没有改变，改变的只是 height × width × channels 中的 channels 这一个维度的大小而已. 增加非线性 1*1卷积核，可以在保持feature map尺度不变的（即不损失分辨率）的前提下大幅增加非线性特性（利
1x1的卷积核的作用
weixin_38241876的博客
03-25 198
主要用于线性变换，保持输入输出的通道数不变，而使得尺寸发生变化。
1*1的卷积核的作用？
06-05
1x1的卷积核可以用于改变或者调整特征图的通道数，而不改变特征图的大小。它可以用于降维或升维，也可以用于将不同通道之间的特征进行融合。在深度学习中，1x1的卷积核经常被用于卷积神经网络中的特征提取和分类任务。例如，在GoogleNet中，1x1的卷积核被用于实现Inception模块中的通道压缩操作，以降低计算复杂度并提高模型的准确率。
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