Deconvolution layer或者Transposed convolution layer的理解

最新推荐文章于 2022-05-13 20:18:59 发布
最新推荐文章于 2022-05-13 20:18:59 发布
阅读量1.8k 收藏 4
点赞数 3
分类专栏： python 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_38376205/article/details/110672344
版权
本文介绍了如何理解Deconvolution（反卷积）层，通过卷积与反卷积的关系，详细解析了反卷积过程中的参数（kernel size, stride, padding, outpadding）及其计算方法，并给出实例进行说明。" 108857102,7496327,Mac上Python与pip3路径配置指南,"['Python', 'macOS', '开发环境']
摘要由CSDN通过智能技术生成

这个是github上关于反卷积的一些动态示意图

一文读懂卷积反卷积，博主的对反卷积的理解，主要来自这篇文章

下面，主要结合上面的第二个链接，来理解Deconvolution layer 看它是怎么进行计算的。

同时附上 pytorch 库里面关于这个layer 参数的介绍：

参考这个链接看pytorch

 

其实在实际应用的时候，convTranspose2d主要是前面（in channel, out channel, kernel size, stride, padding, outpadding）

所以接下来就是怎么理解反卷积里面的这些参数，主要结合上面第二个博客里的内容； 首先，你把convTranspose2d当作是conv2d的反过来的过程。

最低0.47元/天 解锁文章
欢仔要学习
关注
专栏目录
转置卷积Transposed Convolution
吴建明wujianming_110117
06-30 521
转置卷积Transposed Convolution 我们为卷积神经网络引入的层，包括卷积层和池层，通常会减小输入的宽度和高度，或者保持不变。然而，语义分割和生成对抗网络等应用程序需要预测每个像素的值，因此需要增加输入宽度和高度。转置卷积，也称为分步卷积或反卷积，就是为了达到这一目的。 from mxnet import np, npx, init from mxnet.gluon import nn from d2l import mxnet as d2l npx.set_np() Basic 2D T
Deconvolution 反卷积 & Transposed Convolution 转置卷积 & Fractionally Strided Convolution
qq_27544827的博客
09-04 509
看DCGAN时，看到了deconvolution，概念总混淆，记录一下 Transposed convolutional layers (also known as fractionally strided convolutional layers, or – wrongly – as deconvolutions） 下面这些文章很有帮助： http://deeplearning.net/software/theano_versions/dev/tutorial/conv_arithmetic.html#t
卷积神经网络之Deconvolution Network(2015)
画心
11-15 2148
文章目录Deconvolution Network(2015)前言系统架构现有的工作存在的问题架构的新意unpoolingdeconvolutionOverview实际效果训练测试汇总实例分割图集成FCN实现细节网络配置数据集训练数据构建优化推理Pascal VOC上的评估小结 Deconvolution Network(2015) 文档存放更新地址：https://github.com/lar...
deconv layer
liuxiabing150的专栏
07-05 1498
ref: https://www.zhihu.com/question/43609045      https://www.zhihu.com/question/48035421上采样的卷积层有很多名字：全卷积（full convolution），网络内上采样（ in-network upsampling），微步幅卷积（fractionally-strided convolution），反向卷积（...
Caffe中DeconvolutionLayer的用法
北望花村
01-05 9416
写在前面：关于Deconvolution 与Transposed Convolution的字面上的区别，在此不再讨论，以下统称为Deconvolution，可参考http://blog.csdn.net/u013250416/article/details/78247818。在我的理解里面，Convolution是将大尺寸的feature map转换为小尺寸的feature map，而Deconv...
FCN之deconvolution layer计算方法
qq_35699505的博客
04-24 994
FCN里面全部都是卷积层（pooling也看成卷积），卷积层不关心input的大小，inputsize和outputsize之间存在线性关系。FCN中经过CNN提取特征和pooling层下采样得到的特征大小与原图大小不一致，但是在分割中，要求输入多大，输出就要多大，所以FCN网络中用到了反卷积和上采样到原图大小，然后做像素级的分类。其中反卷积和deonvolution layer过程和full卷积...
一文搞懂 deconvolution、transposed convolution、sub-­pixel or fractional convolution
日拱一卒
09-20 1997
文章目录写在前面什么是deconvolutionconvolution过程transposed convolution过程transposed convolution的计算整除的情况不整除的情况总结参考 博客：blog.shinelee.me | 博客园 | CSDN 写在前面 开篇先上图，图为deconvolution在像素级语义分割中的一种应用，直观感觉deconvolution是一个ups...
理解deconvolution（反卷积、转置卷积）概念原理和计算公式、up-sampling（上采样）的几种方式、dilated convolution（空洞卷积）的原理理解和公式计算
jsk_learner的博客
10-18 1万+
deconvolutiondeconv（反卷积、转置卷积） 起初是看FCN图像分割论文的时候，看到论文中用到deconvolution和up-sampling，不是特别理解up-samping和deconv之间的关系，也不知道deconv是以一种怎么样计算过程完成的。所以就去搜了相关资料，同时了解了空洞卷积-dilated conv的原理，在此博客记录一下。 deconv（反卷积、转置卷积） ...
Convolution Networks 和Deconvolution Networks
一个想要改变世界的IT slave的专栏
11-24 1万+
一.卷积的概念卷积是分析数学中的一种重要运算，英文convolution。需要注意的是，以下我们考虑都是离散情况下的卷积操作。从概念上说，卷积是线性情况的下的滤波处理，性滤波处理经常被称为“掩码与图像的卷积”[1]。具体的操作则是，卷积是两
Layer上的SpectralNormalizati（适用于SNGAN）：光谱归一化层输入：layer，name-matlab开发
05-28
输入一个conv2d层或transposedconv2d层，并为sn层命名。 inputlayer需要：过滤器大小，num个过滤器（输出通道大小），num个通道（输入通道大小）。 例子 ： SpectralNormalization（convolution2dLayer（filterSize，numFilters，“ NumChannels”，3，'Stride'，2，'Padding'，'same'，'Name'，'conv1'），“ sn1”） SpectralNormalization（transposedConv2dLayer（filterSize，numFilters，“ NumChannels”，64，'Name'，'detc5'，“ Stride”，2，'Cropping'，'same'），“ sn19”）
Deconvolution 与convolution
前进ing的博客
03-14 1408
Deconvolution和convolution相反，有upsample的作用。如下面代码中， pad: 1 kernel_size: 4 stride: 2 达到的效果是，将图的长和宽都增大了一倍。 layer { name: "deconv5" type: "Deconvolution" bottom: "conv6_1" top: "d...
转置卷积（Transposed Convolution）的介绍以及理论讲解
Le0v1n 的博客
05-13 6884
转置卷积的介绍以及理论讲解
Deconvolution && Transposed Convolution
hzhj的博客
09-12 1852
       本文的主角是Transposed Convolution(转置卷积)，又名Fractionally-strided convolution和deconvolution，其功能是由低分辨率图像生成高分辨率图像，常出现在GAN和图像分割等研究领域。本文根据文章直观的介绍其运算过程，如有差错请指正。 卷积示例 卷积操作 反卷积操作         卷积操作以3*...
【学习资料】反卷积(Transposed Convolution)详细推导
怎 样 的博客
02-08 605
资料链接1：反卷积(Transposed Convolution)详细推导来自知乎
卷积神经网络CNN（1）——图像卷积与反卷积（后卷积，转置卷积）
热门推荐
Fate_fjh的博客
10-21 6万+
1.前言    传统的CNN网络只能给出图像的LABLE，但是在很多情况下需要对识别的物体进行分割实现end to end，然后FCN出现了，给物体分割提供了一个非常重要的解决思路，其核心就是卷积与反卷积，所以这里就详细解释卷积与反卷积。     对于1维的卷积，公式（离散）与计算过程（连续）如下，要记住的是其中一个函数（原函数或者卷积函数）在卷积前要翻转180度 图1     对...
语义分割之《PIXEL DECONVOLUTIONAL NETWORKS》论文阅读笔记
梦的灰色边沿...
11-05 589
  论文地址：PIXEL DECONVOLUTIONAL NETWORKS   代码地址：github 一、简介   这篇文章提出的PixelDCL主要是为了解决Deconvolution所造成的棋盘效应。 二、细节 1、Tranditional Deconvolutional Layers   传统的Deconvolution操作分为两个：空洞卷积和转置卷积，这里讨论的是转置卷积。转置卷积的操作...
[论文笔记]——PIXEL DECONVOLUTIONAL NETWORKS
May_mei_127的博客
03-02 277
论文：PIXEL DECONVOLUTIONAL NETWORKS 总体介绍 一般反卷积产生的问题：checkerboard（棋盘格） 原因：由于中间特征图都是同时生成的，他们独立的，输出特征图上的相邻像素间不存在之间联系 该论文的方法： 中间特征图数顺序生成，有依赖关系，而不再仅仅依靠于输入特征图 该论文的结果： 1、语义分割的实验结果表明，PixelDCL可以考虑诸如边缘和形状之类的空间特征，并且比反卷积层产生更准确与平滑的分割输出。 2、用于图像生成任务时，PixelDCL可以大大克服常规反卷积操作所
语义分割-Pixel Deconvolutional Networks
guojingjuan的博客
05-23 1185
反卷积操作会带来所谓的棋盘问题，这是因为在输出的特征谱图上相邻像素点之间没有直接的关系。 为解决这一问题，提出了一个像素反卷积层（PixelDCL）来建立直接关系。 在U-Net上替换Deconvolution layer，caffe实现 U-Net 论文  U-net: Convolutional networks for biomedical image segmentation. U
transposed convolution
最新发布
03-16
转置卷积（transposed convolution），也称为反卷积（deconvolution），是卷积神经网络中一种常用的操作。它通常被用于进行上采样操作，从而扩大特征图的尺寸。转置卷积可以看作是卷积的逆过程，其计算过程是将一个...
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