转置卷积详解

最新推荐文章于 2024-07-26 20:14:05 发布
最新推荐文章于 2024-07-26 20:14:05 发布
阅读量2.5w 收藏 3
点赞数 1
分类专栏： 深度学习 文章标签： 神经网络 深度学习 卷积 反卷积 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/m0_38065572/article/details/104846290
版权
本文详细介绍了转置卷积（又称反卷积）的概念，起源于图像分割任务，用于解决卷积神经网络中尺寸缩小的问题。转置卷积通过上采样恢复特征图尺寸，其运算可通过卷积核转置实现。在Tensorflow和Pytorch中，转置卷积通过填充和膨胀操作来调整尺寸。文中还探讨了转置卷积的输出尺寸计算公式，并通过实例和图表帮助理解这一过程。
摘要由CSDN通过智能技术生成

转置卷积详解

  前面文章对卷积做了讲解，感觉既然重新整理，就将系列概念整体做个梳理，也算是将自己知道的所有东西拿来献丑把。
  转置卷积(Transposed Convolution)是后来的叫法，一开始大家都是称逆卷积/反卷积(Deconvolution)，这个概念是在图像分割任务中被提出来的，图像分割需要逐像素的操作，对每一个像素做一个分割，将其归类到不同的物体当中。
  这个任务大家很自然的想要使用卷积神经网络来完成，那就得先使用卷积神经网络提取特征，但是卷积神经网络中的两大主要构件，卷积层和下采样层会使得图像的尺寸不断缩小。这个就与逐像素的分类不符，因为逐像素分割的话是需要输出和输入大小是一致的。
  针对这个问题，有人提出了先使用卷积核下采样层逐层的提取特征，然后通过上采样再将特征图逐渐的恢复到原图的尺寸。而这个上采样一开始就是通过反卷积来实现的。如果说卷积核下采样的过程特征图是变小的，那么上采样之后特征图应该变大。
  我们应该熟悉卷积的输出尺寸公式 o u t = ( F − K + 2 P ) / s + 1 out=(F-K+2P)/s+1 out=(F−K+2P)/s+1，其中F表示输入特征图的尺寸，K表示卷积核的尺寸，P表示padding，S表示卷积的步长。我们都通过这个公式来计算卷积的输出特征图尺寸。举例来说明，一个4×4的输入特征图，卷积核为3×3，如果不使用paddng，步长为1，则带入计算 o u t = ( 4 − 3 ) / 1 + 1 out=(4-3)/1+1 out=(4−3)/1+1为2。
  我们已经在im2col算法的介绍中讲解了卷积的实现，实际上这个步骤是通过两个矩阵的乘法来完成的，我们不妨记为 y = C x y=Cx y=Cx，如果要上采样，我们希望给输出特征图乘一个参数矩阵，然后把尺寸还原回去，根据数学知识，我们给特征图矩阵 y y y左乘一个{C^T}，就能得到 C T y = C T C x C^Ty=C^TCx CTy=CTCx， C

最低0.47元/天 解锁文章
August-us
关注
专栏目录
转置卷积原理详解
CSDN 精品推荐
08-08 236
转置卷积（Transpose Convolution），也称为反卷积（Deconvolution）或上采样卷积（Upsampling Convolution），是卷积神经网络中的一种操作，用于对特征图进行上采样，从而将特征图的尺寸扩大，通常用于图像分割、图像生成等任务中。转置卷积的主要特点是通过将卷积核权重矩阵进行转置操作，然后在特征图上进行卷积。这个过程实际上是在低分辨率特征图上进行操作，但通过转置卷积操作，可以将低分辨率特征图映射到高分辨率特征图，实现上采样的效果。在PyTorch中，你可以使用。
11-1-转置卷积ConvTransposed2d
MaYuHuaw的博客
10-13 240
stride是图片像素点之间的间距，stride=1为像素的的正常间距，stride=2表示像素点间距为2，即添加了一排0填充。，消去0填充边缘，padding=1代表消去full卷积中的1条0填充边缘（不同于卷积中的添加0填充边）padding是图像四周的0填充，padding=1表示四周填充一排像素点。(stride=1, padding=0 就是一般性的full卷积)stride是卷积核的 滑动步长。能实现实现上采样，用于。
转置卷积transpose convolution
lzp_k2的专栏
12-12 3170
参考： A guide to convolution arithmetic for deep learning.(Vincent Dumoulin, Francesco Visin).[https://arxiv.org/abs/1603.07285] 中文：https://zhuanlan.zhihu.com/p/48501100 1概念 转置卷积就是用卷积矩阵的转置矩阵进行卷积。...
转置卷积（Transposed Convolution）
weixin_39910711的博客
04-22 6435
转置卷积（Transpose Convolution），一些地方也称为“反卷积”，在深度学习中表示为卷积的一个逆向过程，可以根据卷积核大小和输出的大小，恢复卷积前的图像尺寸，而不是恢复原始值。 1 卷积操作及转置卷积的定义 1.1 卷积操作 对于一个输入大小为 的图像，卷积核大小为 ： 计算输出的具体实现方法为矩阵乘法。 将卷积核表示为稀疏矩阵 每一行向量表示在一个位置的卷积操作，0填充表示...
转置卷积 transposed convolution
最新发布
Life1213的博客
07-26 912
通过上面分析，就可以知道为什么通过对输入特征图进行填充使用转置的卷积核并且使用转置卷积核与输入特征图进行步长=1的普通卷积操作就可以得到结果。
卷积输出尺寸和转置卷积输出尺寸的计算方式
我的博客有点东西
05-03 8874
卷积输出尺寸 outx=⌊n−k+2×pstride⌋+1out_x = \lfloor \frac{n-k+2\times p}{stride}\rfloor+1outx​=⌊striden−k+2×p​⌋+1 参数含义： n：特征图的宽或者高 k：卷积核的尺寸 p：padding的数值，一般指单侧填充几个单元 stride：顾名思义 注意，分数部分是向下取整的。 做个练习吧，已知空洞卷积的...
深入浅出理解转置卷积Conv2DTranspose
IT菜鸟
12-28 3043
深入浅出理解转置卷积Conv2DTranspose
nn.ConvTransposed2d()-转置卷积过程详解
weixin_42112050的博客
05-22 1万+
转置卷积过程详解 转置卷积又称反卷积，逆卷积。在主流的深度学习框架之中，如Tensorflow，Pytorch,Kreas中的函数名都是conv_transpose。卷积的动态图解可以点此链接查看。 将一个4X4的输入通过3X3的卷积核核进行普通卷积后（无padding,stride=1）,将得到2X2的输出。而转置卷积将一个2X2的输入通过同样的3X3的卷积核，将得到一个4X4的输出。这看起来像是普通卷积的逆过程。事实上，这两者没有任何关系，操作过程也是不可逆的。 普通卷积（直接卷积） 但在实际计算中，
卷积与反卷积关系超详细说明及推导（反卷积又称转置卷积、分数步长卷积）
dugudaibo的博客
10-19 1万+
  以 CNN 为代表的卷积神经网络在图像的相关领域得到了较为长足的发展。在 CNN 中卷积实际分类两大类，一种是卷积，另一种是转置卷积（transposed convolutional ），或者称为分数步长卷积（ fractionally strided convolutional layers），亦或者是反卷积（deconvolution）。   虽然在一些文章中将反卷积与转置卷积认为是等价的...
转置卷积（听课笔记）
记录
11-04 350
转置卷积，可称为Transposed Convolution、fractionally-stride convolution、deconvolution。转置卷积的作用是上采样。转置卷积不是卷积的逆运算。只是将特征层的大小还原回卷积之前的大小，但其数值和输入特征层的数值是不同的。转置卷积也是卷积。
卷积、可分离卷积、转置卷积（反卷积）
qq_44936246的博客
10-24 1429
卷积 卷积层的结构参数 卷积核大小（Kernel Size）：定义卷积操作的感受野。 步幅（Stride）： 定义卷积核遍历图像时的步幅大小。其默认值通常设置为1。设置大于1的值后对图像进行下采样，这种方式类似池化操作。 边界扩充（Padding）： 定义了网络层处理样本边界的方式。当卷积核大于1且不进行边界扩充，输出尺寸将相应缩小；当卷积核以标准方式进行边界扩充，则输出数据的空间尺寸将与输入相等。 输入与输出通道（Channels）： 构建卷积层时需定义输入通道I ，并由此确定输出通道O 。这样，可算出每
转置卷积（transposed convolution）
qq_41021141的博客
07-23 634
转置卷积
转置卷积 Transposed convolution
xiaojiajia007的博客
09-22 2560
【更新】请看我的另一篇博客 https://blog.csdn.net/xiaojiajia007/article/details/75041651 [重点]转置卷积的解释，避免三个误区： 点击打开链接 Y = CX 卷积操作矩阵C定义排列如下： 很多文章都说卷积核的转置就可以求反卷积，又陷入迷茫“就算把卷积核转置（或者左右翻转上下翻转），卷积后输出还是越来越小（或不变，至少不会增大...
卷积与转置卷积
Hhaicl的博客
11-09 1377
离散卷积：离散卷积就是我们常用的，卷积核与输入的feature map各项乘积之和，从而提取特征的一种卷积方式，生成新的feature map。(这里说的卷积严格意义上叫做“互相关”，与信号处理的卷积操作有所不同，但是在机器学习里就叫他卷积啦~~) 如下图所示：是一个5x5的输入与一个3x3的卷积核进行no padding，stride = 1的卷积操作。 可以使用不同的内核重复该过程以根...
卷积和转置卷积矩阵计算 convolution和deconvolution或者transposed_convolution
邹九的个人博客
09-04 1221
总的来说卷积计算是多对一，也就是多个input，和所有kernel进行multiply+add，通道channel方向也进行add，得到一个数字。转置卷积或者说是逆卷积，是一对多的关系，是一个input和所有kernel进行multiply，通道channel方向才进行add，得到kernel_size_width*kernel_size_height个数字​ ​即滑窗运算，卷积核kernel和Input的位置multiply然后add， K1*1 + K2*2+K3*3 = out1​Stride=2
【机器学习】详解 转置卷积 (Transpose Convolution)
热门推荐
闻韶
11-08 3万+
【机器学习】详解 转置卷积 (Transpose Convolution)
转置卷积理解
qq_37497304的博客
05-27 434
转置矩阵理解1、卷积2、转置卷积3、转置卷积计算整除情况不整除 参考资料： https://www.cnblogs.com/shine-lee/p/11559825.html 转置卷积（transposed convolution）是一种上采样的方法。对于语义分割等问题，需要输入与输出保持相同的大小，因此需要在提取特征减小特征图大小后通过上采样的方法还原成输入的大小。 在计算机视觉当中，图像的上采样有许多方法：最近邻插值、双线性插值等。但是这些方法都是人为提前设计好了的固定模式，没有可以学习的余地。转置
卷积与转置卷积层详解：CNN中的深度理解
需要注意的是，单纯地使用转置卷积可能会导致格状失真（checkerboard artifact），因此在实际应用中常采用其他技巧，如最近邻插值或结合反卷积和上采样操作。 总结来说，卷积层和转置卷积层在CNN中起着至关重要的...
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