卷积操作其实可以分成三种操作:
Valid
valid 操作,滑动步长为S,图片大小为N1xN1,卷积核大小为N2xN2,卷积后图像大小:(N1-N2)/S+1 x (N1-N2)/S+1如上图
S = 1
N1 = 4
N2 = 3
卷积后大小 (4 - 3)/1 + 1 = 2
这中卷积操作会缩小图像,如果步长为1,如上图,那么只考虑一边,不能进行卷积的部分就是N2 - 1(3x3只有一行可以卷积),比如上图为3的卷积,就有2行不能进行卷积,否则会超出边界。所以原图像大小就变为N1 - (N2 - 1) = N1 - N2 + 1。若考虑步长 N1/S - (N2/S - 1) = (N1 - N2)/S + 1,其实可以把图像进行缩小S倍、卷积核缩小S倍比较好理解。比如12x12,卷积核4x4,步长如果为2,则可以看做是6x6图像与2x2卷积核卷积。结果就位12/2 - (4/2 - 1) = 5。
Full
在这里插入图片描述
full 操作,滑动步长为1,图片大小为N1xN1,卷积核大小为N2xN2,卷积后图像大小:N1+N2-1 x N1+N2-1 如上图
S = 1
N1 = 5
N2 = 3
卷积后大小5 + 3 -1 = 8,其实可以看到,前2行是多出的,即N1 + (N2 - 1)
或者说这是加了padding = 2的卷积操作,可以保留更多信息
Same
same 操作,滑动步长为1,图片大小为N1xN1,卷积核大小为N2xN2,卷积后图像大小:N1xN1 如上图所示
S = 1
N1 = 5
N2 = 3
卷积后大小5 + 0 = 8,其实可以看到,前2行是多出的,即N1 + (0)
或者说这是加了padding = 1的卷积操作,可以保留较多信息
总结
图片来自这里我叫人人一博主ppt,其归纳的比较好。
参考
FCN于反卷积(Deconvolution)、上采样(UpSampling)
卷积的三种模式:full, same, valid
卷积神经网络 By Renrenyi (人人易)
卷积动画