pytorch中的双线性插值上采样(Bilinear Upsampling)、F.upsample_bilinear

已于 2022-05-31 22:00:42 修改
阅读量1.2w 收藏 24
点赞数 3
分类专栏： 深度学习 文章标签： pytorch 人工智能 python
于 2022-05-31 21:56:53 首次发布
原文链接：https://blog.csdn.net/GZHermit/article/details/75261713
版权

在Fully Convolutional Networks for Semantic Segmentation这篇文章中，介绍到Bilinear Upsampling这种上采样的方式，虽然文章最后用的是deconvolution，给出的理由就是不希望upsampling filter是固定的= =！
因为以前用的upsampling的方式是很简单的，比如放大两倍，就是把一个像素点复制一下变成四个。这样的做法会导致图像变得模糊。

线性插值

在介绍双线性插值前，先介绍一下线性插值。
在这里插入图片描述
其实说白了就很简单，就是两点确定一条线，然后在这条线上知道了x，自然可以推出y。同样的，已知y的话，自然也可以推导出x。

双线性插值

在图像中，我们面对的往往是两维，甚至三维(包含channel)的图像，那么，在进行upsampling的时候我们就要用到双线性插值和三线性插值。
所谓双线性插值，原理和线性插值相同，并且也是通过使用三次线性插值实现的。首先看图。
在这里插入图片描述
在这里插入图片描述

双线性插值的效果

参考博客：二次线性插值原理+代码详解【python】
双线型内插值算法就是一种比较好的图像缩放算法，它充分的利用了源图中虚拟点四周的四个真实存在的像素值来共同决定目标图中的一个像素值，因此缩放效果比简单的最邻近插值要好很多。由于图像双线性插值只会用相邻的4个点，因此以下公式的分母都是1。
在这里插入图片描述
在这里插入图片描述

F.upsample_bilinear

如果在pytorch的项目中使用到了F.upsample_bilinear函数，会出现如下警告（表明此函数已经过时了，推荐使用nn.functional.interpolate来代替）

UserWarning: nn.functional.upsample_bilinear is deprecated. Use nn.functional.interpolate instead.
  warnings.warn("nn.functional.upsample_bilinear is deprecated. Use nn.functional.interpolate instead.")
onnx KeyError: ‘upsample_bilinear2d‘
jacke121的专栏
02-15 4739
onnx KeyError: 'upsample_bilinear2d' 解决方法：把上采样的bilinear换成可以支持的。
python interpolate_Pytorch上下采样函数--interpolate用法
weixin_39835607的博客
12-08 1315
最近用到了上采样下采样操作，pytorch中使用interpolate可以很轻松的完成def interpolate(input, size=None, scale_factor=None, mode='nearest', align_corners=None):r"""根据给定 size 或 scale_factor，上采样或下采样输入数据input.当前支持 temporal, spatial...
上采样、反卷积、上池化的区别
weixin_42206075的博客
03-28 3291
上采样、反卷积、上池化的区别 最近，工作中遇到了一个小问题，就是pytorch转onnx转caffe转wk（海思相机NNIE支持的深度学习权重文件格式）的时候，最终输出的Tensor的值有些许差别，后来找到了原因：pytorch项目中使用的upsample中mode选择的是"bilinear"，但是onnx2caffemodel的时候默认使用是的"nearest"，最终就会导致二者输入Tensor的余弦相似度并不是99.9999%。所以，特地把上采样这一块最容易忽略的知识点领出来单独说说，以下内容要是有说的
pytorch中的上采样以及各种反操作，求逆操作
热门推荐
zz2230633069的博客
10-22 1万+
import torch.nn.functional as F import torch.nn as nn   F.upsample(input, size=None, scale_factor=None,mode='nearest', align_corners=None) r"""Upsamples the input to either the given :attr...
pytorch双线性插值
fksfdh的博客
07-30 5196
通过floor函数找到下限，floor+1找到上限，但是要防止超过图像的像素坐标值。通过最邻近找到P点，然后需要找到出四个相邻像素点。原公式是右偏移的，新公式中心对其了。使用下面公式，寻找最近一个像素值。将y视为像素值的函数；...
双线性插值(Bilinear Upsampling)
qq_32951799的博客
10-01 4419
源:https://blog.csdn.net/gzhermit/article/details/75261713 在Fully Convolutional Networks for Semantic Segmentation这篇文章中，介绍到Bilinear Upsampling这种上菜样的方式，虽然文章最后用的是deconvolution，给出的理由就是不希望upsampling filte...
数学(4) 双线性插值(Bilinear Upsampling)
GZHermit的博客
07-17 1万+
在Fully Convolutional Networks for Semantic Segmentation这篇文章中，介绍到Bilinear Upsampling这种上菜样的方式，虽然文章最后用的是deconvolution，给出的理由就是不希望upsampling filter是固定的= =！ 但是碰到了还是学习记录一下。因为以前用的upsampling的方式是很简单的，比如放大两倍，就是把一
pytorch实现upsample
scut_salmon的博客
08-11 3492
这里实现的是一个比较偏的upsample，是朋友问我的，顺手记录下来。 实现的效果如下： 输入： 输出： 实现的是按相同值内插。实现方法是meshgrid，这个函数很好用，可以在输入x坐标和y坐标的情况下，返回由其组成的所有可能坐标组合。具体实现如下： ...
keras 模型中自定义上采样函数，加载模型报错: ValueError: Unknown layer: BilinearUpsampling
qq_21466543的博客
10-28 2322
模型自定义了BilinearUpsampling层如下代码，模型训练能正常调用BilinearUpsampling，模型保存用ModelCheckpoint，测试时加载模型报错：ValueError: Unknown layer: BilinearUpsampling class BilinearUpsampling(Layer): def __init__(self, upsamp...
pytorch torch.nn 实现上采样——nn.Upsample
weixin_36670529的博客
04-24 5709
1）Upsample CLASS torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None) 上采样一个给定的多通道的 1D (temporal,如向量数据), 2D (spatial，如jpg、png等图像数据) or 3D (volumetric，如点云数据)数据 假设输入数据的格式为minibatch x channels x [optional depth] x [optional he
Pytorch上下采样函数--interpolate用法
09-16
- **Bilinear**: 对于4D数据（如2D图像），双线性插值使用周围四个像素的加权平均值来计算新像素的值，提供更平滑的结果。 - **Trilinear**: 在5D数据（如3D体积）中，三线性插值是线性插值的扩展，考虑了三个空间...
动手实现双线性插值(Bilinear_interpolation)
11-17
动手实现双线性插值简单版本，详情见博文： https://blog.csdn.net/a435262767/article/details/103113635
pytorch中的上采样以及各种反操作,求逆操作详解
01-20
import torch.nn.functional as F import torch.nn as nn F.upsample(input, size=None, scale_factor=None,mode=’nearest’, align_corners=None) rUpsamples the input to either the given :attr:`size` or the given :attr:`scale_factor` The algorithm used for upsampling is determined by :attr:`mode`.
双线性插值
m0_67357141的博客
11-30 1427
将图片或者特征图进行双线性上采样可以改变尺寸，在pytorch中可以使用torch.nn.function.grid_sample函数实现。
推荐使用：torchinterp1d —— PyTorch的高效GPU线性插值库
gitblog_00086的博客
06-09 626
推荐使用：torchinterp1d —— PyTorch的高效GPU线性插值库 项目地址:https://gitcode.com/gh_mirrors/to/torchinterp1d 在深度学习和数据分析中，插值是一种常见的数据处理技术，用于估算连续函数在特定点上的值。如果你正在寻找一个能够充分利用GPU并行计算能力的高效1D线性插值解决方案，那么【torchinterp1d】就是你的不二之选...
双线性插值算法原理及其python实现
大鱼的博客
06-17 2828
下面我使用python简单的实现一下resize，这里所说的resize都是放大的resize，因为缩小尺寸根本用不到插值，只需要在原图进行采样即可，所以我这里说的resize是针对放大尺寸来说的。不过需要注意的是，python这样运行分辨率较大时会很慢，可以考虑使用numpy的矩阵运算的方式进行运行或者修改成一些加速库，这里只是展示一些原理学习，并不能直接使用在工程项目里面。具体来说，就是使用先计算出Px1和Px2的数值，然后再计算出来Py1和Py2，最终计算出来P的数值。
CV03-双线性差值pytorch实现
苦行僧的妖孽日常
02-11 2417
在理解双线性差值（Bilinear Interpolation）的含义基础上，参考pytorch差值的官方实现注释，自己实现了一遍。共三段代码： 一、for循环实现双线性差值（naive实现） 是对一张图像的，维度HWC，采用for循环遍历H、W计算差值点的像素值。这个实现too young，too simple，简直naive，效率低但易于理解； import matplotlib....
python实现线性插值
weixin_43956958的博客
12-05 8117
插值：是根据已知的数据序列（可以理解为你坐标中一系列离散的点），找到其中的规律，然后根据找到的这个规律，来对其中尚未有数据记录的点进行数值估计。
双线性插值函数理解 与 手动实现torch.gird_sampler_2d
weixin_50206562的博客
12-05 997
（1）torch.gird_sampler_2d函数中最重要的是grid网格的构建方式，grid的shape决定了输出的插值结果。（2）之后的很多插值方法都是修改grid的网格矩阵的值来进行其他的插值方式的构建，比如TPS薄板样条插值等。修改方式一般为vgrid = grid + ........（3）牢记grid网格的实现方式。
sd upsample_bilinear2d_channels_last
最新发布
03-10
### PyTorch `upsample_bilinear2d` Channels Last Implementation and Usage In PyTorch, the operation of upsampling with bilinear interpolation can be performed using the function `torch.nn.functional.interpolate`. When working with tensors that have a memory format set to channels last, specific considerations must be taken into account. The primary difference between channels-first (NCHW) and channels-last (NHWC) formats lies in how data is stored in memory. For operations like `upsample_bilinear2d`, which involves resizing images or feature maps through bilinear interpolation, ensuring compatibility with channels-last storage may require explicit handling depending on the version of PyTorch being used[^1]. To use `upsample_bilinear2d` with channels-last formatted inputs: ```python import torch import torch.nn.functional as F # Create an NHWC tensor input_tensor = torch.randn((batch_size, height, width, channels)) # Ensure input is contiguous in channels_last format if not input_tensor.is_contiguous(memory_format=torch.channels_last): input_tensor = input_tensor.contiguous(memory_format=torch.channels_last) output_tensor = F.interpolate( input=input_tensor, scale_factor=2, # Example scaling factor mode='bilinear', align_corners=False, recompute_scale_factor=True ) ``` When performing this operation, it's important to verify whether the current version of PyTorch supports efficient execution paths optimized for channels-last layouts. In some cases, converting back from channels-last to channels-first might offer better performance due to more mature optimization support within certain layers or functions[^2]. For integrating custom modules such as those mentioned earlier regarding backbone structures, one should ensure proper registration and import statements are correctly placed according to project structure guidelines provided by frameworks like YOLOv5 where applicable.
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