YoLo卷积神经网络各层计算，卷积层计算输入的图片大小是448*448*3输出224*224*64原因？

最新推荐文章于 2022-05-23 15:22:08 发布
VIP文章 最新推荐文章于 2022-05-23 15:22:08 发布
阅读量6.8k 收藏 24
点赞数 5
分类专栏： 图像视觉
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/kaxiaokui/article/details/104709490
版权

在这里插入图片描述
该部分卷积层计算输入的t图片大小是4484483的，第一层卷积层，卷积核大小是77的，步长是2，pad=1，filters=64，请问输出为什么为：224224*64？
回答：此处的pad应该类似于标志位，0或非0，不一定是1.即pad=1应该是指：pad为真

看一下源码，在yolo里面pad=1的含义并不是pad=1，而是在处理的时候判断pad是否等于1，如果等于1，那pad=kernelsize/2
所以224=1+（448-1）/2
向下同理。

  int height_col = (height - ksize) / stride
最低0.47元/天 解锁文章
卡小葵
关注
  • 5
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
专栏目录
经典卷积网络--VGGNet
冲出仁川，走出马德里，故事还会再继续
05-15 2660
经典卷积网络--VGGNet1、VGGNet网络模型2、VGGNet网络模型搭建（使用Tensorflow）3、完整代码实现(使用CIFAR10数据集) 借鉴点：小卷积核减少参数的同时，提高识别准确率；网络结构规整，适合并行加速。 1、VGGNet网络模型   在 AlexNet 之后，另一个性能提升较大的网络是诞生于 2014 年的 VGGNet，其 ImageNet Top5 错误率减小到了 7.3 %。   VGGNet 网络的最大改进是在网络的深度上，由 AlexNet 的 8 层增加到了 1
基于YOLO v4卷积神经网络的农田苗草识别研究.pdf
09-25
基于YOLO v4卷积神经网络的农田苗草识别研究.pdf
【学习备忘录】yolo.cfg文件的一些参数
heguu的博客
09-13 432
convolutional convolutional表示添加一个卷积层，具体参数解释如下： batch_normalize:是否使用BN层 filters=64 卷积核的个数 size=1 卷积核的大小 stride=1 步长为1 pad=1 是否使用padding 启用的话padding = size//2 activation=leaky 激活函数为leaky 卷积后 图像大小 = （w - size + 2*pad ）/s +1 使用BN层的话，bias须设置成False 需要注意pad是指padd
02 YOLO系列总结
一千零一夜的博客
10-07 697
参考： https://arxiv.org/abs/1506.02640 https://www.jianshu.com/p/13ec2aa50c12 https://www.imooc.com/article/36391 https://www.jianshu.com/p/f87be68977cb https://www.cnblogs.com/xiongzihua/p/9315183...
斯坦福CS224N课件
06-30
CS224N是斯坦福深度学习自然语言处理的课程。 自然语言处理（NLP）是信息时代最重要的技术之一。理解复杂的语言表达也是人工智能的重要组成部分。 NLP的应用无处不在，因为人们用语言沟通了大部分内容：网络搜索，广告，电子邮件，客户服务，语言翻译，放射学报告等。NLP应用程序背后有大量的基础任务和机器学习模型。最近，深度学习方法在许多不同的NLP任务中获得了非常高的性能。这些可以使用单个端到端模型解决任务，并且不需要传统的，特定于任务的功能工程。在这个冬季课程中，学生将学习如何实施，训练，调试，可视化和发明他们自己的神经网络模型。该课程全面介绍了应用于NLP的深度学习的前沿研究。在模型方面，我们将涵盖单词矢量表示，基于窗口的神经网络，递归神经网络，长短期记忆模型，递归神经网络，卷积神经网络以及涉及存储器组件的一些最新模型。通过讲座和编程作业，学生将学习使神经网络适应实际问题的必要工程技巧。
【目标检测算法】YOLOv1学习笔记
littlemichelle
01-26 3200
YOLO算法中把物体检测（object detection）问题处理成回归问题，用一个卷积神经网络结构就可以从输入图像直接预测bounding box和类别概率。（看最下的ppt有助于理解哦
YOLOv3详解
热门推荐
xiahan_qian的博客
05-23 2万+
前言 yolo算法是一种one-stage的目标检测算法，与two-stage最大区别在于，YOLO系列算法将图片划分成若干个网格，再基于anchor机制生成先验框，只用一步就生成检测框，这种方法大大提升了算法的预测速度，今天我们主要讲的是YOLOv4算法的主要实现过程，YOLOv4的论文于2020年发表在CVPR上，相对于YOLOv3的主要改动有以下几部分，mos.
yolov3个人学习笔记
qq_44878920的博客
06-17 2581
yolov3学习笔记算法核心思想网络流程Anchor机制特征金字塔FPNLoss FunctionNMS机制 算法核心思想 Yolo算法的核心思想是直接将图片分割成互不重合的小方块，然后通过卷积产生特定大小的特征图，特征图的每个元素是对应原始图片的一个小方块，然后用每个元素来可以预测那些中心点在该小方块内的目标，达到物体检测的效果。整体来看，Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，整个算法大体操作如下图所示：首先将输入图片resize到416×416然后送入网络，最后处理网络
卷积神经网络中各个卷积层的设置及输出大小计算的详细讲解
jialibang的博客
08-13 3649
我将从以下几个方面来进行解说：1.卷积神经网络的结构 2.卷积神经网络的计算 3.以AlexNet为例进行详细讲解4.常见的两个卷积层设置的问题 1.卷积神经网络的结构 卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成，即INPUT（输入层）-CONV（卷积层）-RELU（激活函数）-POOL（池化层）-FC（全连接层） 我们用一个图进行展示： 2.卷积神经网络的计算 卷积神将网络的计算公式为：N=(W-F+2P)/S+1 其中N：输出大小 W：输入大小 F：卷积核大小 P
【CNN】卷积层参数与输入输出大小计算说明
SY的博客
01-12 2万+
基本计算公式 W为输入大小，F为卷积核大小，P为填充大小(padding)，S为步长(stride)，N为输出大小。有如下计算公式：N=(W−F+2P)S+1N=\frac{(W-F+2P)}{S}+1N=S(W−F+2P)​+1 由上述公式很容易推得一些常用的卷积层参数——输入输出的大小不变，仅通道数量改变。 # 一个卷积核大小为5*5的卷积层参数 kernel_size = 5 stride ...
应用YOLO卷积神经网络的智能监控与存储优化.pdf
09-25
应用YOLO卷积神经网络的智能监控与存储优化.pdf
基于YOLO卷积神经网络的水稻秧苗行线检测.pdf
09-25
基于YOLO卷积神经网络的水稻秧苗行线检测.pdf
吴恩达课后编程作业】Course 4 - 卷积神经网络 - 第三周作业 - 车辆识别YOLO.zip
01-30
YOLO,吴恩达课后编程作业,Course 4 - 卷积，训练model_data/yolov2.h5的项目，直接下载，查看我发的另一篇博客关于这个资源的使用
基于Springboot集成yolo3构建基于神经网络的图片识别系统.zip
10-15
基于Springboot集成yolo3构建基于神经网络的图片识别系统 基于Springboot集成yolo3构建基于神经网络的图片识别系统 基于Springboot集成yolo3构建基于神经网络的图片识别系统 基于Springboot集成yolo3构建基于神经...
mask RCNN将json 文件转换为Coco形式 出现KeyError: 'imageData'
kaxiaokui的博客
04-05 4633
mask RCNN将json 文件转换为Coco形式： 原代码： import argparse import json import matplotlib.pyplot as plt import skimage.io as io import cv2 from labelme import utils import numpy as np import glob import PIL.Imag...
批处理图像文件大小Python代码 OSError: cannot write mode RGBA as JPEG ，解决方案
kaxiaokui的博客
04-03 3499
文章目录在批处理图像文件大小Python代码（图片格式都是JPG或者JPEG，以下代码可使用）：OSError: cannot write mode RGBA as JPEG批处理图像大小Python最终代码(适用于图像文件有png格式的） 在批处理图像文件大小Python代码（图片格式都是JPG或者JPEG，以下代码可使用）： # -*- coding: utf-8 -*- import os ...
数据增强调研
kaxiaokui的博客
11-23 1943
文章目录数据增强调研报告一、常用的增强技术（一）几何变换（二）颜色空间转换二、一般增强技术（一）内核过滤器（Kernel filters）（二）混合图像(mixing image)[5]（三）、高级增强技术一、特征空间增强（Feature space augmentation）（二）、Adversarial training对抗训练（三）GAN‑based Data Augmentation[10][11]（四）、神经风格转移[11] Neural Style Transfe（五）、元学习[2][13]四、
交并比ion（ intersection over union ）及优化总结
kaxiaokui的博客
03-06 1600
1.IoU IoU又名交并比，是一种计算不同图像相互重叠比例的算法，时常被用于深度学习领域的目标检测或语义分割任务中。 优点：IoU初步满足了计算两个图像的几何图形相似度的要求，简单实现了图像重叠度的计算。 缺点：无法体现两个图形之间的距离以及图形长宽比的相似性。 2.GIoU GIoU（Generalized Intersection over Union）相较于IoU多了一个‘Generali...
YOLO3算法框架图
最新发布
04-04
YOLO3（You Only Look Once）是一种目标检测算法，它的框架图如下： 1. 输入层：接收待检测的图像作为输入。 2. 基础网络：通常使用卷积神经网络（CNN）作为基础网络，用于提取图像的特征。 3. 特征提取层：在基础网络的输出上添加一些额外的卷积层，以进一步提取图像的特征。 4. 分类器层：使用全连接层将提取到的特征映射到不同类别的概率。 5. 边界框回归层：使用全连接层预测每个边界框的位置和大小。 6. Anchor Boxes：在特征图上生成一系列锚框，用于捕捉不同尺度和长宽比的目标。 7. 目标分类与定位：通过计算锚框与真实目标框之间的IoU（交并比），将锚框分配给具体的目标类别，并预测目标框的位置。 8. 非极大值抑制（NMS）：对于重叠度较高的边界框，只保留得分最高的边界框，去除冗余的检测结果。 9. 输出层：输出最终的检测结果，包括目标类别、边界框位置和置信度。

“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 7
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