理解转置卷积与空洞卷积

最新推荐文章于 2022-11-17 22:04:58 发布
最新推荐文章于 2022-11-17 22:04:58 发布
阅读量1k 收藏 1
点赞数
文章标签： 卷积 计算机视觉 深度学习 神经网络 人工智能
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/qq_27388259/article/details/119988708
版权

前两篇我们对卷积层的原理和实现做了一些介绍。这一节我们来深入了解两个常用的卷积——转置卷积和空洞卷积。

传送门：卷积核的基本概况

转置卷积

利用神经网络去生成图片，通察情况下是从低像素、粗糙的图片开始，到高像素的填充过程。这个过程就成为反卷积或者转置卷积。形象点说，反卷积是允许模型使用小图像的点“绘制”到大图像中的一个正方形。

很不幸的是，这个过程会出现“不均匀重叠”现象（uneven overlap），通常称为“棋盘格伪影”：

当卷积核的边长不能被步长整除的时候出现的，下面是一个例子：

最低0.47元/天 解锁文章
整得咔咔响
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
空洞卷积（扩张卷积dilated convolution）
橘露源的博客
11-15 3636
为什么用空洞卷积？ 普通的Deep CNN中普遍包含Up-sampling / pooling layer，导致 内部数据结构丢失；空间层级化信息丢失。 小物体信息无法重建 (假设有四个pooling layer 则任何小于 2^4 = 16 pixel 的物体信息在理论上将无法重建和分割。) 普通卷积过程如下： 在这样显著缺陷问题的存在下，语义分割问题一直处在瓶颈期无法再明显提高精度，...
对深度可分离卷积、分组卷积、空洞卷积、转置卷积的理解
YQMind的博客
10-09 4937
参考： https://blog.csdn.net/chaolei3/article/details/79374563 https://blog.csdn.net/jiachen0212/article/details/78548667 https://blog.csdn.net/u014722627/article/details/60574260 https://blog.csdn.net/L...
两种特殊卷积：转置卷积和空洞卷积
weixin_45564943的博客
12-11 4719
目录 1.转置卷积 2.空洞卷积 3.总结 1.转置卷积 简介： 我们一般可以通过卷积操作来实现高维特征到低维特征的转换。比如在一 维卷积中，一个5维的输入特征，经过一个大小为3的卷积核，其输出为3维特征。 如果设置步长大于1，可以进一步降低输出特征的维数。但在一些任务中，我们需 要将低维特征映射到高维特征，并且依然希望通过卷积操作来实现。 假设有一个高维向量为和一个低维向量为 如果用仿 射变换来实现高维到低维的映射， 其中为转换矩阵。我们可以很容易地通过转置 W来实现低维到高...
对比：空洞卷积与转置卷积（吉米王）
吉米_王
04-01 701
又是在地铁上，人到中年很无奈，每天貌似只有在地铁上的时间是属于我的…,有没有同道中人… 今天简单聊聊空洞卷积和转置卷积的区别： 空洞卷积，也有人译作扩张卷积，其实是一样的。 与普通的卷积相比，增加了一个扩张率(dilation rate)参数，主要用来表示扩张的大小。 扩张卷积与普通卷积的相同点在于，卷积核的大小是一样的，在神经网络中参数数量不变，区别在于扩张卷积具有更大的感受野。 什么是感受野？ 其实本质上可以理解为：卷积核的边界宽度； 感受野公式： dilation ： 扩张率 ke.
空洞卷积、转置卷积
weixin_42510957的博客
11-10 710
Atrous Convolution 空洞卷积 空洞卷积（atrous convolutions）又名扩张卷积（dilated convolutions），向卷积层引入了一个称为“扩张率（dilation rate）"的新参数，该参数定义了卷积核处理数据时各值的间距。空洞卷积提供了更大的感受野。 在相同感受野的情况下，使用空洞卷积可以得到更大的特征图，可以获得更加密集（Dense）的数据。 举例...
卷积、转置卷积、可分离卷积、分组卷积、空洞卷积的理解
xu_fu_yong的专栏
06-21 2006
文章目录卷积、转置卷积、可分离卷积、分组卷积、空洞卷积的理解转置卷积深度可分离卷积分组卷积空洞卷积 卷积、转置卷积、可分离卷积、分组卷积、空洞卷积的理解 这里主要是汇总一些本人觉得比较好的文章。 ##卷积 卷积就不多说了，网上大神教程很多，我在这里就给出一个卷积过程的可视化工具 输出图片的尺寸：经过卷积操作之后获取到的图片的大小，上图的绿色图片(6*6)，后面用o来表示。 如果已知i、k、p、s...
一种转置卷积算子的实现
05-18
用举证相乘的方法实现了转置卷积，可用于深度学习论文的上采样。
C++实现卷积和逆卷积的快速算法
04-02
C++实现卷积和逆卷积的快速算法
lg641135360#limu-deeplearning#转置卷积1
07-25
转置卷积卷积不会增大输入的高和宽，通常要么不变，要么减半转置卷积可用来增大输入高宽跟卷积差不多是反向的关系为何称之为“转置”可对W构造一个V，使得卷积等价于矩阵
由浅入深CNN中卷积层与转置卷积层的关系
01-27
通过与权重矩阵相乘层层传递，而卷积层则认为上一层的有些节点下一层其实是不需要的，所以提出了卷积核矩阵的概念，如果卷积核的大小是n*m，那么意味着该卷积核认为上一层节点每次映射到下一层节点都只有n*m个节点是...
Visualize-Mnist:使用转置卷积可视化Mnist卷积特征图
05-11
可视化Mnist 使用转置卷积可视化Mnist卷积特征图 显示功能图
转置卷积（反卷积）、微步卷积、空洞卷积
yihool_的博客
02-20 2755
1.转置卷积： 转置卷积为卷积的逆操作，即通过转置卷积后实现图像的上采样 Z = W·X X = W.T·Z 4*4的图片经过kernal_size=3，stride=1,padding=0的卷积操作得到2*2的特征 2*2的特征想要经过kernal_size=3的反卷积得到4*4的图片需要(kernal_size-1)的padding后进行卷积操作 2.微步卷积 微步卷积是转置卷积的特殊情况，即stride>1的卷积操作后，其转置卷积的trans_stride=1/stride
空洞卷积+转置卷积+反卷积
cyz0202的博客
05-05 436
1. 空洞卷积 1.1 如上图所示，空洞卷积是为了增加感受野（pooling虽然能增加感受野，但是容易丢失原有信息）； 1.2 实现原理： 图a为普通3*3卷积（注：该卷积也可视为空洞率=1的空洞卷积，见以下说明）； 图b是空洞率=2的空洞卷积，即向原有卷积核前中后都插入一个权重为0的格子；此时卷积核变为77，但是有值的格子还是只有原来的33； 图c是空洞率=4的空洞卷积，情况如图b； 1.3 空洞卷积的应用：如下是在语音里的应用（Dilation=2即空洞率为2） 1.4 补充：pooling
DAY5_转置卷积、空洞卷积
LXY_CHINA的博客
11-05 153
转置卷积 由于在图像分割中需要进行上采样，需要将图像逐渐还原为原来的大小，但是由于卷积过程是不可逆的，所以需要采用转置卷积（反卷积）。 转置卷积不等于卷积逆运算 转置卷积只能恢复尺寸，不能恢复原数值 转置卷积运算过程 在输入特征图的元素之间填充s-1行、列0 在输入特征图的元素四周填充k-p-1行、列0 卷积核的参数进行上下、左右翻转 进行正常的卷积操作（padding = 0， stride = 1） 转置卷积后的特征图大小 空洞卷积（Dilated Convolution） 在图像分割中是p
卷积-转置卷积-空洞卷积-深度可分离卷积-分组卷积-可变形卷积
studyeboy的专栏
06-22 2223
A guide to convolution arithmetic for deep learning conv_arithmetic 卷积，空洞卷积、可分离卷积
转置卷积和孔洞卷积（扩张卷积）
a645061612的博客
06-13 1693
链接：https://pan.baidu.com/s/15NsS8WtYQiahM6p_z_YBNQ 提取码：3q96 本文对A guide to convolution arithmetic for deep 的第四章部分翻译，纯属个人学习的。 这一篇是讲空洞卷积的：https://www.zhihu.com/question/54149221 膨胀卷积：https://blog.cs...
转置卷积（反卷积操作）
longteng_guo的博客
07-08 692
基本为上采样后进行卷积操作，下图为upPooling后使用尺寸不变的卷积操作（通过padding实现尺寸不变）。 有人说也叫转置卷积，因为如下原因： 先说说卷积： 以矩阵相乘的形式完成卷积，????????????????????????_????????_????????????????=????×???????????????????????????????????????? 反向传播：????????????????????????????????????????????=????????
2020-09-23
qq_41945366的博客
09-23 240
卷积与卷积核 https://blog.csdn.net/snowyzhe/article/details/90743213
【深度学习】特征图的上采样（nn.Upsample）和转置卷积（nn.ConvTranspose2d） | pytorch
热门推荐
weixin_46274756的博客
11-17 1万+
【深度学习】特征图的上采样（nn.Upsample）和转置卷积（nn.ConvTranspose2d） | pytorch
转置卷积与双线性插值的区别
最新发布
05-27
转置卷积的实现方式为先进行填充操作，然后使用与卷积层相同的卷积核进行卷积操作，最后进行裁剪操作，以得到原始输入的大小。 双线性插值（Bilinear Interpolation）是一种常用的图像缩放方法，可以将一张图像从...

“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

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

打赏作者

整得咔咔响

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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