CNN中的转置（反）卷积如何替换上采样操作

已于 2023-11-08 08:02:44 修改
阅读量386 收藏
点赞数 1
分类专栏： yolov5/yolov8的量化部署 文章标签： cnn 深度学习 python
于 2023-03-08 02:00:00 首次发布
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_41920323/article/details/129391841
版权
在嵌入式环境部署深度学习模型时，若ncnn不支持上采样，可以使用转置卷积作为替代方案。本文介绍了如何通过计算输入输出尺寸、卷积核大小、步长和填充值来实现转置卷积，以达到与上采样相同的效果，特别是在CNN中用于特征融合和解码输出。通过实例展示了转置卷积的代码实现，并验证了其能提供与上采样相似的分割性能。
摘要由CSDN通过智能技术生成

**说明：**在嵌入式端部署，ncnn是常用的部署方式，ncnn最新版本已经支持上采样，但有的嵌入式端还不能兼容最新的ncnn库，或是替换成本较高，而不支持上采样；众所周知，上采样融合各层输出特征后进行解码输出，使得模型能够获得很好的输出，此时为了CNN模型的性能，就需要使用本文章所介绍的方法：转置卷积来替换上采样操作。
如图所示：
在这里插入图片描述
转置卷积代码为：

self.deconv2 = nn.ConvTranspose2d(in_channels=9, out_channels
了解本专栏 订阅专栏 解锁全文 超级会员免费看
ghx3110
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
CNN可视化& 反卷积.zip
04-30
接下来，我们来讨论反卷积（也称为转置卷积或上采样）。2011年ICCV的论文引入了反卷积网络（Adaptive Deconvolutional Networks），这是对传统卷积操作的一种逆向过程。在CNN中，卷积层通过下采样减少空间维度，以...
CNN中的上采样方法
qq_41614538的博客
09-26 2327
文章目录上采样双线性插值转置卷积Dense Upsampling Convolution (DUC)空洞卷积 上采样 双线性插值 插值问题实际上是一种拟合问题。 所谓插值就是用 x’ 某个领域内的函数值按照一定规则拟合出一个函数，再在其中查找 f(x’) 的值。 双线性插值（bilinear upsampling）是其中一种非常简单的拟合方式。 对 srcImage 中某个邻域内进行插值，从而得到 dstImage 中某个像素值。 虽然插值计算速度快，但这种插值的“感受野”是local的，只能看见相邻
Yolov5更换上采样方式( 最近邻 / 双线性 / 双立方 / 三线性 / 转置卷积)
@bangbang的博客
06-07 2949
l 1.2. 双线性插值(Bi-Linear interpolation) 1.3. 双立方插值(Bi-Cubic interpolation) 1.4 三线性插值(Trilinear Interpolation) 当align_corners = True时，线性插值模式(线性、双线性、双三线性和三线性)不按比例对齐输出和输入像素，因此输出值可以依赖于输入的大小 这里我将原本的最近邻插值的上采样方式替换为转置卷积；有人
upsampling(上采样)的三种方式
weixin_41012399的博客
07-01 1万+
线性插值：双线性插值是目前在语义分割中用的比较多的一种方式，比如FCN中就是用的这种方法。 反卷积(deconvolution)，由于实现上采用转置卷积核的方法，所以有人说应该叫转置卷积TD(transposed convolution)。这个比较复杂，先举例下采样的卷积过程，输入44卷积，核为33，步长为1，输出大小就变成了22。计算机处理的过程是先把44的图片拉成列向量161，把33的卷积核...
语义分割｜学习记录（4）膨胀卷积（空洞卷积 ）
weixin_45042017的博客
02-10 5402
膨胀卷积（空洞卷积）讲解
上采样（upsample）和 反卷积（deconvolution）
热门推荐
学渣的博客
12-15 2万+
目录1 卷积2 上采样3 反卷积3.1 反卷积的数学推导正向卷积的实现过程用矩阵乘法描述卷积反卷积的输入输出尺寸关系**Relationship 1：**3.3 反卷积的应用3.4 利用pytorch验证反卷积的计算参考 1 卷积 可以看一下这篇文章：https://blog.csdn.net/weixin_42468475/article/details/108628474 2 上采样 在应用在计算机视觉的深度学习领域，由于输入图像通过卷积神经网络(CNN)提取特征后，得到的特征图（Feature ma
cifar反卷积、卷积核优化和多通道卷积的简洁代码
03-31
首先，我们来看"8-17 cifar反卷积.py"，反卷积（也称为转置卷积或上采样）是CNN中用于增大特征图尺寸的操作。在卷积层中，特征图会因为步长和池化操作而变小，反卷积则可以恢复原始尺寸，使得网络能够进行端到端的...
cifar多通道卷积_dayjmb_深度学习_核卷积_反卷积_卷积神经网络_
10-01
反卷积层，也被称为转置卷积层，常用于神经网络的上采样阶段，以扩大输入图像的尺寸。在CIFAR数据集的处理中，反卷积可以用于恢复原始图像的分辨率，尤其在生成模型或图像超分辨率任务中。在8-17 cifar反卷积.py中，...
深度学习网络画图卷积反卷积
最新发布
03-06
4. **反卷积操作**：学习如何通过转置卷积恢复空间分辨率，并理解上采样和下采样的区别。 5. **损失函数**：如交叉熵损失，以及在不同任务中选择合适损失函数的重要性。 6. **优化算法**：如梯度下降、Adam和RMSprop...
DeepJS:JS中的深度，卷积和反卷积网络
05-22
在JavaScript中，虽然TensorFlow.js没有直接提供反卷积层，但可以通过转置卷积（Transposed Convolution）来实现类似的功能。`tf.layers.conv2dTranspose`API允许我们进行上采样并重建高分辨率的输出。 在实际应用...
CV复习：空洞卷积
pomelo的博客
08-10 459
CV复习：空洞卷积
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。...
反卷积(Deconvolution)、上采样(UNSampling)与上池化(UnPooling)【转】
ifruoxi的博客
03-13 843
原文：https://blog.csdn.net/a_a_ron/article/details/79181108 反卷积 对于每个层基本上有以下四个操作组成， Conv ReLU MaxPooling [optionally] Norm [optionally] 对应的反向操作为， unpool rectify（ReLU） filter（Deconv） 反卷积实现：https://gith...
上采样(UpSampling)之转置卷积(Transposed Convolution)
weixin_45237938的博客
11-27 1779
转置卷积也是一种卷积，可以用来增大输入的高宽。同卷积一般做下采样不同，它通常用于做上采样。
yolov3-pytorch的上采样层改为反卷积
weixin_41012399的博客
09-17 759
# parameters nc: 1 # number of classes depth_multiple: 1.0 # model depth multiple(控制模型的深度) width_multiple: 1.0 # layer channel multiple（控制卷积核的个数） # anchors anchors: # - [48,56, 55,146, 129,94] # P3/8 # - [126,221, 80,364, 233,145] # P4/16 # - [182
GCN如何使用大卷积替代小卷积？（论文讲解含超详细注解+中英文对照+配图）
ZRX_GIS
10-28 2208
Large Kernel Matters ——Improve Semantic Segmentation by Global Convolutional Network 大卷积项——通过全局卷积网络提升语义分割 Abstract 摘要 One of recent trends [31, 32, 14] in network architecture design is stacking small filters (e.g., 1x1 or 3x3) in the entire network b.
膨胀卷积（空洞卷积 dilated convolution）
qq_44177768的博客
04-06 1万+
学习的B站大佬的视频大部分图片来自于课中，文章结尾有大佬视频链接，以及阅读《深度学习之pytorch物体检测实战》 1.空洞卷积了解 空洞卷积最初是为解决图像分割的问题而提出的。常见的图像分割算法通常使用池化层来增大感受野(所以如果去掉池化层会使得感受野变小，从而影响后面的卷积层)，同时也缩小了特征图尺寸，然后再利用上采样还原图像尺寸。特征图缩小再放大的过程造成了精度上的损失，因此需要有一种操作可以在增加感受野的同时保持特征图的尺寸不变(要加padding)，从而替代池化与上采样操作，在这种需求下，空洞
转置卷积和膨胀卷积详细讲解
白羊by的博客
06-26 1186
转置卷积和膨胀卷积的详细讲解
文献阅读 | 膨胀卷积在遥感图像小目标分割中的有效应用
北屿的博客
01-07 1769
Effective Use of Dilated Convolutions for Segmenting Small Object Instances in Remote Sensing Imagery 本文主要目的是在学习红外小目标检测时看到的有关的文章和算法实现，并对其进行了翻译，作者开源了相关的代码，github地址：作者官方github实现 膨胀卷积在遥感图像小目标分割中的有效应用文章翻译 摘要：近年来，由于CNN的研究进展，高分辨率遥感图像的语义分割有了实质性的改进。然而，以往的工作大多没有充分考
卷积与转置卷积层详解：CNN中的深度理解
需要注意的是，单纯地使用转置卷积可能会导致格状失真（checkerboard artifact），因此在实际应用中常采用其他技巧，如最近邻插值或结合反卷积和上采样操作。 总结来说，卷积层和转置卷积层在CNN中起着至关重要的...
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

ghx3110

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