语义分割篇:day1--转置卷积

(PS:本博客仅用于记录个人笔记,所用图片和文字内容大部分来自b站up主:霹雳吧啦Wz,转载或引用请注明up主)

附上原up地址:

转置卷积(transposed convolution):也称为“反卷积”,是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。

作用:上采样(upsampling)

转置卷积不是卷积的逆运算

转置卷积也是一个卷积过程,只是对原图像和卷积核作出一些变化后,再进行卷积,以达到回复卷积前图像尺寸的目的,但数值与图像的原始值并不相同。

过程和原理:

        首先,普通的卷积运算就是简单的矩阵相乘,输入feature map得到一个矩阵,再将卷积核用0扩展为与feature map大小相同的矩阵,进行简单的矩阵相乘,即可输出卷积后的图像矩阵

        但是如果将输入的feature map矩阵和卷积核等效矩阵分别展平,转化为列向量后在进行相乘运算,也同样可以得到卷积后图像矩阵的列向量形式

        思考:如果已知卷积后的矩阵(O)和卷积核矩阵(C),是否可以通过左右两边同乘以卷积核逆矩阵(C-1),来还原卷积前的图像矩阵(I)呢?即,卷积是否可逆?

        答案否定。因为矩阵是否可逆,取决于矩阵是否为方阵。而我们无法保证卷积核等效矩阵展平为列向量后为方阵,因此,一般情况下,卷积不可逆。

        但如果只需要得到与原始矩阵大小相同,而数值不做要求的矩阵,则可以通过转置卷积实现。

        即:左右两边同时乘以卷积核矩阵的转置矩阵(CT)

        得到的行向量经过reshape后,即为与原始矩阵大小相同的矩阵

        用普通卷积的运算来实现:主要是将原卷积核转置后的矩阵的每一列写成等效矩阵的形式,再用一个个等效矩阵分别与卷积后的矩阵相乘,从而得到转置卷积后的矩阵。

        而在与等效矩阵相乘的过程中可以发现,该过程其实等效于将卷积后的矩阵用0填充后,再用
某一卷积核进行卷积。

而该卷积核就是原卷积核经过上下左右翻转后得到的

由此过程我们可以得到转置卷积的运算步骤:

1.填充

2.将上下左右翻转卷积核

3.进行正常卷积运算(即矩阵相乘):此时不再对矩阵进行额外填充,且步距为1

最后输出的特征图特征值计算方法:

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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