正常卷积与空洞卷积输出特征图与感受野大小的计算

最新推荐文章于 2025-03-27 16:28:26 发布
最新推荐文章于 2025-03-27 16:28:26 发布
阅读量7k 收藏 20
点赞数 4
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_43232545/article/details/103317773
版权
本文详细介绍了空洞卷积的概念，通过实例展示了空洞卷积核大小的计算，并探讨了其对特征图大小的影响。同时，讨论了卷积神经网络中感受野的计算方法，特别在空洞卷积情况下如何计算感受野的理论值。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

空洞卷积的计算过程
空洞卷积（Dilated convolutions）在卷积的时候，会在卷积核元素之间塞入空格，如下图所示：
在这里插入图片描述
空洞卷积过程，蓝色表示输入，绿色表示输出
这里引入了一个新的超参数 d，(d - 1) 的值则为塞入的空格数，假定原来的卷积核大小为 k，那么塞入了 (d - 1) 个空格后的卷积核大小 n 为：
在这里插入图片描述

进而，假定输入空洞卷积的大小为 i，步长 为 s ,空洞卷积后特征图大小 o 的计算公式为：

在这里插入图片描述

卷积感受野计算
感受野（receptive field）
CNN中，某一层输出结果中一个元素所对应的输入层的区域大小.

感受野计算
从后往前
output field size = ( input field size - kernel size + 2 × padding ) / stride + 1,变形之后得到input field size = （output field size - 1）× stride - 2 × padding + kern

最低0.47元/天 解锁文章
木绿
关注
空洞卷积后输出特征图的尺寸计算
yykkkybs的博客
06-15 4302
空洞卷积的等效卷积核（感受野）大小： ke = k + (k − 1)(r − 1) k为原始卷积核大小，r为dia rate参数。 输出计算同卷积运算。 输出特征大小计算 out = ( in − F + 2 ∗ pading ) / stride +1 注意：这里的F就是上面的感受野，这个公式也适用于常规的卷积 ...
图像的卷积操作、感受野、特征图大小计算
m0_56077202的博客
12-03 3535
图像的卷积操作 正常的卷积操作 ​ 对于图像矩阵来说，卷积操作就是一个固定大小（比如3*3）的滑动窗口，在图像上滑过，每次滑过的地方做逐像素的点乘操作。如下图所示： ​ 卷积操作有四个参数，分别是卷积核的大小F*F，卷积核的个数K, 卷积核滑动时的跳步（stride）S，以及对原图/特征图边缘进行0填充的个数P。 ​ 其中，F、S、P决定了卷积运算之后特征图的大小，K决定了输出特征图的维度。 ​ paddimg的方式有“valid”和“same”两种，valid就是不填充，把卷积不到的地方..
普通卷积、转置卷积、空洞卷积（dilated convolution、Atrous Convolution）
胡侃有料的博客
04-22 1087
every blog every motto: We would rather reuse an active dwarf than a sleeping giant. 0. 前言 1. 正文 1.1 基础概念辨析 1. 普通卷积Conv2D 结果/作用： 特征图大小不变或缩小。 参考文章1 参考文章2 2. 转置卷积Conv2DTranspose 结果/作用： 特征图变大（上采样） 简要概括： 输入特征图中间填充0 参照文章3 3. 空洞卷积Dilated/Atrous Convolution 结果
卷积神经网络 - 微步卷积、空洞卷积
最新发布
分享技术人生的学习笔记和过往心得，与志同道合者共同进步
03-27 1453
今天我们来加深学习微步卷积和空洞卷积，即可以通过步长和零填充来进行不同 的卷积操作。
空洞卷积、普通卷积、反卷积后的特征图尺寸、感受野的计算及公式推导，含padding参数
种一棵树最好的时间是十年前，其次是现在
04-04 3154
1.首先是输出特征图的尺寸计算方法：（采用向下取整的方法） SOUT=⌊SIN+2pading−Skernalstep⌋+1(1) S_{OUT}=\lfloor\frac{S_{IN}+2pading-S_{kernal}}{step}\rfloor+1\qquad(1) SOUT​=⌊stepSIN​+2pading−Skernal​​⌋+1(1) 即特征图输出尺寸，与特征图输入尺寸，步长，padding及卷积核大小有关。 2，空洞卷积与普通卷积核大小的等效公式： 空洞数n的含义为，原始图片上每n行或n
卷积，特征图，转置卷积和空洞卷积的计算细节
mdjxy63的博客
12-15 1312
转载自：https://www.jianshu.com/p/09ea4df7a788?utm_source=oschina-app 这篇文章写的超详细！！！！：https://www.cnblogs.com/cvtoEyes/p/8513958.html ============================================================ 最近在做姿态估计...
卷积计算，反卷积计算，特征图大小计算，空洞卷积计算
别说话写代码的博客
02-14 2万+
转自：https://www.jianshu.com/p/09ea4df7a788?utm_source=oschina-app 卷积计算过程（单/RGB多通道） 特征图大小计算公式 转置卷积（反卷积）计算过程 空洞卷积计算过程 卷积计算过程（单/RGB多通道） 假设输入层的大小为 5 x 5，局部感受野（或称卷积核）的大小为 3 x 3，那么输出层一个神经元所对应的计算过程（下文...
空洞卷积感受野的正确计算方法
IcdKnight的博客
05-01 8282
空洞卷积感受野的正确计算方法空洞卷积介绍计算误区正确的计算方法 空洞卷积介绍 空洞卷积（dilated convolution）是针对图像语义分割问题中下采样会降低图像分辨率、丢失信息而提出的一种卷积思路。 利用添加空洞扩大感受野，让原本3x3的卷积核，在相同参数量和计算量下拥有5x5（dilated rate =2）或者更大的感受野，从而无需下采样。 具体是在普通卷积中间填充不参与卷积运算的空洞的结构。对于dilation rate=2，3×3大小的卷积核来说，其卷积过程如下图所示。由图可以看到，其等效的
深度可分离卷积、空洞卷积、反卷积、感受野计算、上采样
stdleohao的博客
10-21 2249
Depthwise卷积和Pointwise运算成本比较低 [1] https://zhuanlan.zhihu.com/p/92134485
卷积操作，特征图尺寸大小、感受野、参数量的计算过程
DBlueink的博客
03-16 5438
1、卷积操作后输出特征图的尺寸大小 如下图所示，卷积核在输入图像进行滑动操作，每滑动一次，计算一次，获取一个值，该值为卷积核提取的当前区域的特征值。 在水平方向上，从左侧开始滑动，滑动的距离为（Input_s - Filter_s），设滑动步长为Stride，那么滑动的次数为 （Input_s - Filter_s） / Stride 未滑动之前，卷积核已经在蓝色位置提取了一个值 所以，在水平方向上的获得的特征图尺寸为 （Input_s - Filter_s）/ Stride + 1 因此下图卷积操作
空洞卷积详解
tt丫的博客
02-23 2万+
入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。 一、感受野（知道的可以直接跳） 感受野指：卷积神经网络每一层输出的特征图上的像素点在输入图片上映射的区域大小，即FC层每个输出节点的值都依赖FC层所有输入，而CONV层每个输出节点的值仅依赖CONV层输入的一个区域，这个区域之外的其他输入值都不会影响输出值，该区域就是感受野。简单来说就是特征图上的一个点对应输入图上的区域。 举个栗子：一个5*5的特征图经过2个3*3卷积核后（步长为1，padd
【机器学习】卷积的计算及两种特殊卷积的介绍
一顿输出
06-05 5419
学着学着突然忘了卷积怎么算了（哭），为了避免下次突然失忆，还是写个笔记记录一下吧~ 参考资料：https://zhuanlan.zhihu.com/p/268179286 一、单通道单卷积核 这计算公式很简单，为方便描述，可以把卷积核以及卷积核扫描到图像的区域当作两个矩阵（但实际计算并不是矩阵乘法，不要搞混咯）。 具体计算的方式是： 将对应位置的元素相乘 将得到的所有乘积做一个求和 加上偏差bias [左边是初始图片，右边是卷积核及其bias。] 右边是卷积核，左边红色框起来的部分是卷积核扫描到的
【机器学习】详解 扩张/膨胀/空洞卷积 (Dilated / Atrous Convolution)
闻韶
11-07 1万+
【机器学习】详解 扩张 / 膨胀 / 空洞卷积 (Dilated / Atrous Convolution)
一文详解什么是空洞卷积？
热门推荐
Tiger数学之家的博客
03-17 5万+
空洞卷积（Dilated Convolution） 简介 空洞卷积也叫扩张卷积或者膨胀卷积，简单来说就是在卷积核元素之间加入一些空格(零)来扩大卷积核的过程。 空洞卷积的简单原理。下图是常规卷积和空洞卷积的动图对比： 常规卷积: 空洞卷积: 假设以一个变量a来衡量空洞卷积的扩张系数，则加入空洞之后的实际卷积核尺寸与原始卷积核尺寸之间的关系：K = K + (k-1)(a-1) 其中k为原始卷积...
深度学习之空洞卷积(Dilated/Atrous Convolution)
maly_Sunshine的博客
03-03 5464
空洞卷积Convolution with holes 是在标准的卷积映射（convolution map）里注入空洞，以此来增加感受野（reception field），捕获多尺度上下文信息。 空洞卷积实际卷积核大小K： K=k+(k-1)(r-1) k为原始卷积核大小; r(dilation rate)为空洞卷积参数空洞率---kernel的间隔数量，标准卷积r=1。当r=2时，3×3卷积核尺寸扩大为3+(3-1)*(2-1)=5,即5×5；r=4,扩大为9...
空洞卷积详解（输入输出大小分析）
罟霖同学的站点
07-18 6768
空洞卷积的详细分析，对输入输出的大小进行了推导；并介绍了相关改进版本。
空洞卷积感受野大小计算
weixin_42560055的博客
10-23 9292
空洞卷积感受野的计算 空洞卷积感受野的大小分两种情况： (1)正常的空洞卷积： 若空洞卷积率为dilate rate 则感受野尺寸=（dilate rate-1）（k-1）+k ###### k为卷积核大小 (2)padding的空洞卷积： 若空洞卷积率为dilate rate 则感受野尺寸=2（dilate rate-1）*（k-1）+k ###### k为卷积核大小 ##https...
Dilated Convolution （空洞卷积或扩张卷积）
gwpscut的博客
05-18 1万+
之前博文已经对空洞卷积做了介绍，本文进行深入介绍《各种卷积层的理解（深度可分离卷积、分组卷积、扩张卷积、反卷积）》 诞生背景，在图像分割领域，图像输入到CNN（典型的网络比如FCN[3]）中，FCN先像传统的CNN那样对图像做卷积再pooling，降低图像尺寸的同时增大感受野，但是由于图像分割预测是pixel-wise的输出，所以要将pooling后较小的图像尺寸upsampling到原始...
空洞卷积感受野的计算公式
03-10
对于单层空洞卷积而言，假设输入张量尺寸为 \( W \times H \)，核大小为 \( K \)，步幅为 \( S \)，填充为 \( P \)，以及膨胀率为 \( D \)，则该层输出特征图上任意一点对应于输入图像上的感受野宽度可由下述公式...
评论 3
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