三种卷积后的特征图尺寸【普通卷积、有padding的卷积、空洞卷积】

爱吃饭的大猫

已于 2023-02-17 10:26:39 修改

阅读量176

点赞数

文章标签：深度学习 cnn 计算机视觉

于 2023-02-17 10:18:25 首次发布

本文链接：https://blog.csdn.net/mushuroom/article/details/129079322

版权

参数表：

类型	值
输入图片：In	9×9
普通卷积核：kernel	3×3
步长：stride	2
填充：padding	1
空洞卷积核：n	5
输出特征图：Out

普通卷积（无padding）

在这里插入图片描述

2. 填充卷积（有padding）
在这里插入图片描述

3. 空洞卷积（有padding）
在这里插入图片描述

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

爱吃饭的大猫

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
三种卷积后的特征图尺寸【普通卷积、有padding的卷积、空洞卷积】

学习时绘制的三种卷积的图解
复制链接

扫一扫

空洞卷积后输出特征图的尺寸计算

yykkkybs的博客

06-15

4047

空洞卷积的等效卷积核（感受野）大小： ke = k + (k − 1)(r − 1) k为原始卷积核大小，r为dia rate参数。输出计算同卷积运算。输出特征大小计算 out = ( in − F + 2 ∗ pading ) / stride +1 注意：这里的F就是上面的感受野，这个公式也适用于常规的卷积 ...

矩形卷积&非对称卷积核，卷积后特征图尺寸计算

weixin_42410915的博客

08-07

3417

矩形卷积和非对称卷积核，卷积后的特征图尺寸计算其实原理是一样的。矩形卷积如果输入图像是正方形，尺寸为WxW，卷积核尺寸为FxF，步幅为S，Padding使用P，经过该卷积层后输出的特征图尺寸为NxN：如果输入图像是矩形，尺寸为WxH，卷积核的尺寸为FxF，步幅为S，图像深度(通道数)为C，Padding使用P，则：非对称卷积核卷积：此处只例举输入图像是正方形的情况。设输入图像尺寸为WxW，卷积核尺寸为ExF，步幅为S，Padding为P，卷积...

参与评论您还未登录，请先登录后发表或查看评论

空洞卷积、普通卷积、反卷积后的特征图尺寸、感受野的计算及公式推导，含padding参数

种一棵树最好的时间是十年前，其次是现在

04-04

2992

1.首先是输出特征图的尺寸计算方法：（采用向下取整的方法） SOUT=⌊SIN+2pading−Skernalstep⌋+1(1) S_{OUT}=\lfloor\frac{S_{IN}+2pading-S_{kernal}}{step}\rfloor+1\qquad(1) SOUT=⌊stepSIN+2pading−Skernal⌋+1(1) 即特征图输出尺寸，与特征图输入尺寸，步长，padding及卷积核大小有关。 2，空洞卷积与普通卷积核大小的等效公式：空洞数n的含义为，原始图片上每n行或n

图像卷积及其计算（特征图尺寸、参数量、计算量）

weixin_44966641的博客

10-22

8079

图像卷积及其计算（特征图尺寸、参数量、计算量）卷积前后特征图尺寸的计算定义参数如下：输入特征图尺寸： W×WW×WW×W 卷积核尺寸： F×FF×FF×F 步长： SSS 填充的像素数：PPP 则有输出特征图尺寸为 N×NN×NN×N： N=(W−F+2P)/S+1 N = (W − F + 2P )/S+1 N=(W−F+2P)/S+1 参数量的计算卷积层的参数量卷积的参数量即卷积核的参数量，设我们有如下参数：卷积核尺寸：KKK 前一层的通道数：CinC_{in}Cin 当前层的卷积核

空洞卷积计算感受野

02-22

1914

空洞卷积感受野的计算: 空洞卷积感受野的大小分两种情况： (1)不带padding的空洞卷积：若空洞卷积率为dilate rate 则感受野尺寸=(dilate rate-1)×(k-1) + k #k为卷积核大小；不带padding的感受野其实就是添加空洞之后的卷积核大小； (2)带padding的空洞卷积：若空洞卷积率为dilate rate 则感受野尺寸=2×(dilate rate-1)×(k-1) + k #k为卷积核大小； ...

卷积神经网络的输出形状

gyc的博客

03-04

1072

卷积层的输出形状由输入形状、卷积核窗口形状、填充和步幅决定。 1. 当没有填充且步幅为1时假设输入形状是nh×nw，卷积核窗口形状是kh×kw 输出形状为： 2.当有填充且步幅为1时假设输入形状是nh×nw，卷积核窗口形状是kh×kw，在高的两侧一共填充ph行，在宽的两侧一共填充pw列输出形状为： 3.当有填充且步幅不为1时假设输入形状是nh×nw，卷积核窗口形状是kh×kw，在高的两侧一共填充ph行，在宽的两侧一共填充pw列，当高上步幅为sh，宽上步幅为sw时输出形状为：特别的，当输入的

01、cnn卷积神经网络特征提取中每次卷积特征图尺寸公式以及见解

西北一条虫的博客

05-25

729

公式(正方形图片情况下): 特征图尺寸公式：（输入尺寸w - 卷积核尺寸f + 2*填充p ） / 步长s + 1 例子(再次强调正方形，长方形自行变通)：输入特征9x9x1 #正方形灰度图。pytorch中1x9x9 卷积核3x3 填充=0 步长1 已知正方形长和宽一样，那么算出一个方向尺寸，另外一个方向一样。 ```python #这里相信你已知，卷积操作时使用卷积核心尺寸3x3，在图像平移，卷积核每个像素随机参数乘以当前平移位置 #像素点求和，然后相加，等一系列操作。

卷积运算和运算后特征图大小计算2

12-21

- **padding="same"**：这个选项保证了卷积后的特征图尺寸与输入相同。填充量P是根据卷积核大小K来确定的，如K=1时P=0，K=3时P=1，以此类推。输出特征图的大小计算公式为：`outputH = (inputH - K + 2P) / S + 1`。...

1_生成对应特征图_图像卷积_用numpy完成图像卷积运算_自定义卷积核_

10-03

5. **显示结果**：最后，我们可以使用matplotlib来显示原图像和卷积后的特征图。 ```python plt.subplot(1, 2, 1), plt.imshow(image, cmap='gray'), plt.title('Original Image') plt.subplot(1, 2, 2), plt.imshow...

Tensorflow tf.nn.atrous_conv2d如何实现空洞卷积的

09-17

在TensorFlow库中，`tf.nn.atrous_conv2d`函数用于实现空洞卷积，这是一种特殊形式的卷积操作，能够扩大模型的感受野，同时避免池化带来的信息丢失。空洞卷积（也称为膨胀卷积或带孔卷积）通过在卷积核的元素之间...

卷积核输出特征图大小的计算 深度学习

kyle1314608的博客

02-27

1822

博客园 | 首页 | 新随笔 | 联系 | 订阅 | 管理 </center> <div id="post_detail"> <div class="block"> <h1...

卷积后特征图尺寸计算

jiugedexiaodi的博客

03-12

2832

W：宽 H：高 D：深度 K：卷积核的个数 F：卷积核的大小 S：步长 P：用0填充假设输入图片大小为 W1*H1*D1 , 输出W2，H2，D2则为：卷积： W2 = [(W1- F + 2*P）/ S] + 1. H2 = [(H1- F + 2*P）/ S] + 1. D2 =K 池化： W2 = [(W1- F）/ S] + 1. H...

Tensorflow入门--------计算卷积后的特征图尺寸

梦的漂流瓶的博客

07-17

2万+

在卷积神经网络设计网型的时候，需要对卷积核和池化层进行参数设置。有三个重要的参数，首先是卷积核的大小，其次是设置步长（padding）的大小，最后是是否采用padding。这几个因素直接影响了卷积、池化后的特征图的大小，对于网络形状的设计非常重要的参数。本博客将针对这三个参数进行解释，并且利用tensorflow进行结论的实验。一、卷积核卷积核这个东西比较好理解，就是卷积...

卷积后的特征图尺寸计算

weixin_46319994的博客

02-23

295

借鉴大佬文章，写的很好 (18条消息) Tensorflow入门--------计算卷积后的特征图尺寸_梦的漂流瓶的博客-CSDN博客_卷积后的尺寸怎么计算

卷积核与卷积计算后特征图的尺寸

肥仔的博客

04-23

1万+

1.卷积核：卷积核就是图像处理时，给定输入图像，在输出图像中每一个像素是输入图像中一个小区域中像素的加权平均，其中权值由一个函数定义，这个函数被称为卷积核。 2.有效填充后特征图的尺寸为： height=(H-h)/S+1; width=(W-w)/S+1; H,W分别是输入图的尺寸，h,w分别是卷积核的尺寸 ...

卷积神经网络系列之卷积/池化后特征图大小怎么计算？？

橙子Blue不加冰

12-16

9759

1.卷积后的大小： W：矩阵宽，H：矩阵高，F：卷积核宽和高，P：padding（需要填充的0的个数），N：卷积核的个数，S：步长 width：卷积后输出矩阵的宽，height：卷积后输出矩阵的高 width = （W - F + 2P）/ S + 1 height = （H - F + 2P） / S + 1 当conv2d(), max_pool() 中的 padding=SAME时，width=W，height=H，则保证输入输出尺寸图片大小相等，当padding=‘valid’时，P=0，相当于不填

卷积神经网络特征图大小的计算

Lavi的专栏

03-04

2万+

前言特征图大小计算式卷积神经网络中一个很基础的问题，也是一个必须理解的问题。卷到最后我们要知道提取的特征的维度的大小，所以我们必须知道，卷积后特征图的大小。这里我们讲解一下卷积的不同方式以及特征图大小计算的公式。基本公式 width = [(W - F + 2P) + 1] / S height = [(H - F + 2P) + 1] / S 其中，W：矩阵宽，H：矩阵高，F：卷积核宽和...

DL 卷积操作前后特征图的尺寸改变与各参数的关系

qq_35605081的博客

12-09

538

1.kernel_size=3, stride=2 卷积之后的结果为Nx6x6，计算公式为

图像卷积和池化操作后的特征图大小计算方法