深度篇—— CNN 卷积神经网络(二) 细说 池化(pooling) 与 反池化(unpooling)

最新推荐文章于 2024-01-25 08:45:13 发布
最新推荐文章于 2024-01-25 08:45:13 发布
阅读量2.6k 收藏 12
点赞数 3
分类专栏： AI章 文章标签： 深度学习
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_38299170/article/details/104203513
版权

 

返回主目录

返回 CNN 卷积神经网络目录

上一章：深度篇—— CNN 卷积神经网络(一) 细说 cnn 卷积神经网络

下一章：深度篇—— CNN 卷积神经网络(三) 关于 ROI pooling 和 ROI Align 与 插值

 

 

本小节，细说 池化 与 反池化，下一小节细说 关于 ROI 与 插值

 

二. 池化层 (pooling layer)

 

1. 池化

(1). 池化层的目的是通过对输入图像进行二次采样以减少计算负载、内存利用率和参数数量(从而降低过拟合的风险)。减小输入图像的大小同样可以使神经网络容忍一定的图像移位(位置不变性)。池化采样法是一个高效的降维采样法。

(2). 池化层的神经元与卷积层的神经元类似，都是连接到上一层输出特征面，只是在池化层是通过池化核 (kernel) 来局部连接。同样，也必须定义池化核 (kernel) 的大小，步幅和填充类型。但是，池化神经元没有权重，它做的所有事情就是使用聚合函数 (比如 max 或 mean) 聚合输出

(3). 池化层可对提取到的

最低0.47元/天 解锁文章
万道一
关注
  • 3
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
上池化（UnPooling）
正在挣扎中的人
11-21 1159
1. 什么是上池化？ 上池化是一种上采样的方法。 上池化是在CNN中常用的来表示max pooling的逆操作。最早来源于2013年纽约大学Matthew D. Zeiler和Rob Fergus发表的《Visualizing and Understanding Convolutional Networks》。 鉴于max pooling不可逆，因此使用近似的方式来反转得到max pooling操作之前的原始情况。 简单来说，记住做max pooling的时候的最大item的位置，比如一个3x3的矩阵，ma
CNN概念之上采样，反卷积，Unpooling概念解释
g11d111的博客
09-03 2万+
前言 本文译自quora上对《What is the difference between Deconvolution, Upsampling, Unpooling, and Convolutional Sparse Coding?》的回答。个人觉得这位老哥的回答很简洁干练。所以转到这里。 Upsampling（上采样） 在FCN、U-net等网络结构中，我们见识到了上采样这个东西。...
Tensorflow反池化操作
Haku_yyf的博客
12-12 2022
   TensorFlow中目前还没有反池化操作的函数。对于最大池化， 也不支持输出最大激活值的位置，但是同样有个池化的反向传播函数tf.nn.max_pool_with_argmax。该函数可以输出位置， 需要开发者利用这个函数做一些改动， 自己封装一个最大池化操作， 然后再根据 mask写出反池化函数， 下面以返最大池化为例。 实例描述 定义一个数组作为模拟图片， 将其进行最大池化， 接着...
PyTorch深度学习（6）池化层
JYliangliang的博客
10-16 1087
Pooling Layers 池化层 1、种类： nn.MaxPool1d 下采样池化 nn.MaxPool2d nn.MaxPool3d nn.MaxUnpool1d 上采样池化 nn.MaxUnpool2d nn.MaxUnpool3d nn.AvgPool1d 平均池化 nn.AvgPool2d nn.AvgPool3d nn.AdaptiveMaxPool1d 自适应最大池化 nn.AdaptiveMaxPool2d nn.AdaptiveMaxPool3d n...
【论文笔记】《Learning Deconvolution Network for Semantic Segmentation》
最新发布
IT菜鸟
01-25 1264
【论文笔记】《Learning Deconvolution Network for Semantic Segmentation》
CNN（自我理解）
weixin_30852451的博客
07-28 248
卷积神经网络 　　在图像处理中，往往把图像表示为像素的向量，比如一个1000×1000的图像，可以表示为一个1000000的向量。在上一节中提到的神经网络中，如果隐含层数目与输入层一样，即也是1000000时，那么输入层到隐含层的参数数据为1000000×1000000=10^12，这样就太多了，基本没法训练。所以图像处理要想练成神经网络大法，必先减少参数加快速度。就跟辟邪剑谱似的，普通人练得很...
深度学习：Keras入门(二)之卷积神经网络(CNN)
01-26
卷积神经网络（CNN）是深度学习领域中用于图像处理和计算机视觉任务的重要模型。Keras是一个高级神经网络API，可以方便地构建和训练复杂的CNN模型。本篇将深入介绍Keras中的CNN基本概念和结构。 1. **卷积运算**： ...
AI学习笔记——卷积神经网络（CNN）
01-27
卷积神经网络（CNN）是人工智能领域中一种重要的深度学习模型，特别适用于图像识别和处理任务。相较于传统的全连接神经网络，CNN具有更好地捕获图像特征的能力，这得益于其独特的结构设计。 首先，卷积...
CNN卷积神经网络模型python源码.zip
03-10
卷积神经网络（Convolutional Neural Network，简称CNN）是一种深度学习模型，广泛应用于图像识别、计算机视觉等领域。它的核心思想是通过模拟人脑视觉皮层的处理方式，利用卷积层来提取图像特征，池化层进行下采样...
最简单的CNN卷积神经网络讲解，附源码可运行
01-15
卷积神经网络（CNN，Convolutional Neural Network）是深度学习领域中的一种核心模型，尤其在图像识别、图像分类和图像处理任务上表现卓越。本教程将深入浅出地介绍CNN的基本原理，并提供一个可运行的源代码示例，...
PythonCNN卷积神经网络代码实现
04-19
PythonCNN卷积神经网络代码实现 本文的主要内容是使用Python和TensorFlow实现卷积神经网络（CNN）的代码实现。卷积神经网络是一种常用的深度学习算法，广泛应用于图像识别、物体检测、自然语言处理等领域。本文将...
卷积与反卷积，池化与反池化
weixin_45562000的博客
08-01 1167
这里写目录标题1. 说明卷积反卷积池化反池化 1. 说明 上采样和反卷积不一样. https://blog.csdn.net/qq_27871973/article/details/82973048 上采样：指的是任何可以让图像变成更高分辨率的技术。最简单的方式是重采样和插值：将输入图片进行rescale到一个想要的尺寸，而且计算每个点的像素点，使用如双线性插值等插值方法对其余点进行插值来完成上采样过程。 卷积 https://blog.csdn.net/quiet_girl/article/details
反卷积(Deconvolution)上采样(Upsampling)上池化(Unpooling)的区别
玩也行的博客
01-12 9322
原文链接见下：https://www.quora.com/What-is-the-difference-between-Deconvolution-Upsampling-Unpooling-and-Convolutional-Sparse-Coding Question： Deconvolution networks use deconvolution layers to infer sparse
Visualizing and Understanding Convolutional Networks
holmosaint的博客
09-02 323
这篇文章基于AlexNet，对CNN中每层的作用进行了可视化的分析，提出了新颖的可视化工具，让开发者能够清晰地知道每一层提取到的feature，并且有助于研发出performance更好的CNN框架。同时，作者也对基于ImageNet进行训练的AlexNet其他训练集的泛化能力进行了测试。 AlexNet：https://blog.csdn.net/holmosaint/article/deta...
图像的上采样与下采样
Vicky_xiduoduo的博客
09-07 2920
上采样（或称为图像插值）：主要目的是放大原图像，从而显示在更高分辨率的显示设备上。 下采样（或称为降采样）：主要目的是使图像符合显示区域的大小以及生成对应图像的缩略图。 上采样常用的方法有双线性插值、转置卷积、上采样和上池化。 双线性插值（双线性内插）：即在两个方向分别进行一次线性插值。 转置卷积：得名于矩阵的转置操作。卷积运算可以通过矩阵乘法来实现，转置卷积就是将矩阵转置后在进行矩阵乘法。在模型设计中，转置卷积层常用于将较小的特征图变换为更大的特征图。在全卷网络中，当输入是高和宽较小的特征图时，转
反卷积(Deconvolution)上采样(Upsampling)上池化(Unpooling)的区别——附翻译
xiaoli_nu的博客
01-10 1万+
http://blog.csdn.net/u012949263/article/details/54379996 提供了英文版 Question： Deconvolution networks use deconvolution layers to infer sparse feature maps and filters (this is the same as convolut
卷积层与池化层
热门推荐
Aliz_
08-04 7万+
构建了最简单的网络之后，是时候再加上卷积和池化了。这篇，虽然我还没开始构思，但我知道，一定是很长的文章。 卷积神经网络（Convolutional Neural Layer, CNN)，除了全连接层以外（有时候也不含全连接层，因为出现了Global average pooling），还包含了卷积层和池化层。卷积层用来提取特征，而池化层可以减少参数数量。 卷积层 先谈一下卷积层的工作原理。...
PyTorch学习之池化层（POOLING LAYERS）
mingo_敏
05-03 3万+
1 MaxPool torch.nn.MaxPool1d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False) torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=...
深度学习入门：卷积神经网络CNN详解
"卷积神经网络入门介绍展示PPT，深度学习领域的重要组成部分CNN，适合小组展示和课堂研讨，包含图像处理、视频分析和自然语言处理等多个应用领域的讲解，以及解决传统多层感知机（MLP）面临的问题，如维数灾难和空间...
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
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