深度学习 | 反卷积/转置卷积 的理解 transposed conv/deconv

最新推荐文章于 2025-03-03 18:34:05 发布
最新推荐文章于 2025-03-03 18:34:05 发布
阅读量4.1w 收藏 139
点赞数 43
文章标签： 深度学习 图像处理 卷积 反卷积
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/u014722627/article/details/60574260
版权

搞明白了卷积网络中所谓deconv到底是个什么东西后，不写下来怕又忘记，根据参考资料，加上我自己的理解，记录在这篇博客里。

先来规范表达

  • 为了方便理解，本文出现的举例情况都是2D矩阵卷积，卷积输入和核形状都为正方形，x和y轴方向的padding相同，stride也相同。
  • 记号：
     i,o,k,p,s   i , o , k , p , s 分别表示：卷积/反卷积的输入大小  input size   i n p u t   s i z e ，卷积/反卷积输出大小  output size   o u t p u t   s i z e ，卷积/反卷积核大小  kernel size   k e r n e l   s i z e ，  padding   p a d d i n g ，  stride   s t r i d e 。
  • 举例（如下左图）：
    输入  X∈R(4,4)   X ∈ R ( 4 , 4 ) 矩阵，卷积核  w∈R(3,3)，padding=
最低0.47元/天 解锁文章
jdefla
关注
小知识点系列(五) 本文(5万字) | 解读深度学习中的八种卷积 | pytorch中Conv1d、Conv2d，Conv3d | 空洞卷积 | 转置卷积 | 深度可分离卷积 |
专注于人工智能学习，总结
12-28 1194
卷积（convolution），是一种运算，你可以类比于加，减，乘，除，矩阵的点乘与叉乘等等，它有自己的运算规则，卷积的符号是星号。表达式为：连续卷积表达式：离散卷积表达式为：从参数上来看，x + (n-x) = n，可以类比为x + y = n，也就是说f, g的参数满足规律y = -x + n，即g的参数是f的参数先翻转再平移n。把g从右边褶到左边去，也就是卷积的卷的由来。然后在这个位置对两个函数的对应点相乘，然后相加，这个过程是卷积的积的过程。因此卷积的过程可以理解为：翻转，滑动，叠加。
卷积convolution，卷积反向传播BP of convolution，反卷积详解DeConv / TransposeConv
GX_Sun的博客
11-12 1141
1. 卷积 1.1 卷积gif No padding, no strides Arbitrary padding, no strides Half padding, no strides Full padding, no strides   No padding, strides Padding, strid...
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 2万+
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） ...
反卷积
阿门的博客
04-18 455
可视化CNN网络看到反卷积，很是困惑，发现其实Deconvolution有两种说法： 1. Backward Deconvet 2. Transposed Convolution 一：Backward Deconvnet 论文参考：STRIVING FOR SIMPLICITY: THE ALL CONVOLUTIONAL NET 如下图(c) backward 'deconvnet' ...
深度学习：大白话一口气解释卷积运算，反卷积，分层卷积
最新发布
m0_73426548的博客
03-03 1690
假如上图是一张像素3*4的图片，那么卷积核就是图片旁边的Kernel 2*2的矩阵，滑动窗口就是图片中标黑的2*2的方框，用滑动窗户框住的矩阵和卷积核进行点乘求和（不是矩阵相乘），滑动窗口按照自己定义的步长Stride每移动一次计算一次，直到滑动完整个图片，卷积结束。和上面的卷积运算不一样的是这里新加了一个维度（通道数），那么我们给卷积核也加上整个维度就可以了，每个维度的图片像素数据和卷积核分别像上面的卷积运算一样运算后，在将每个维度卷积后的数值加起来就是上图那样啦！个通道，1×1卷积核可以生成。
反卷积(Transposed Convolution, Fractionally Strided Convolution or Deconvolution)
热门推荐
wakaka的博客
04-01 5万+
关于反卷积Deconvolution，转置卷积Transposed Convolution 的一些介绍。
转置卷积/反卷积
ac540101928的专栏
12-10 2714
转置卷积又称反卷积，逆卷积。在主流的深度学习框架之中，如Tensorflow，Pytorch,Kreas中的函数名都是conv_transpose 将一个4*4的输入通过3*3的卷积核核进行普通卷积后（无padding,stride=1）,将得到2*2的输出。而转置卷积将一个2*2的输入通过同样的3*3的卷积核，将得到一个4*4的输出。这看起来像是普通卷积的逆过程。事实上，这两者没有任何关系，操作过程也是不可逆的。 普通卷积（直接卷积） 但在实际计算中，并不是通过卷积核在输入上进行滑动计算，效率太
深度学习与神经网络之 反卷积/转置卷积 (deconvolution/transposed convolution/fractional strided convolution) (upsample)
hxxjxw的博客
08-14 1867
我们说的 deconvolution 反卷积 transposed convolution 转置卷积 fractional strided convolution 都是同一个概念 大家可能对于反卷积的认识有一个误区，以为通过反卷积就可以获取到经过卷积之前的图片，实际上通过反卷积操作并不能还原出卷积之前的图片，只能还原出卷积之前图片的尺寸。那么到底反卷积有什么作用呢？通过反卷积可以用来可视化卷积的过程，反卷积在GAN等领域中有着大量的应用。 向量和矩阵做点积 卷积的正向传...
深度探索：机器学习中的反卷积（转置卷积）算法原理及其应用
qq_51320133的博客
04-24 2560
反卷积作为卷积神经网络中的重要组成部分，凭借其保持空间信息、参数效率高等特性，在图像生成、超分辨率、语义分割等任务中展现出卓越性能。尽管存在棋盘效应、计算复杂度较高等挑战，但通过改进权值初始化、引入正则化、优化计算方法等手段，已能在一定程度上缓解这些问题。随着深度学习技术的不断发展，反卷积有望在更多领域（如视频处理、医学影像分析等）得到广泛应用，并与新型网络结构（如Transformer、Attention机制）相结合，推动相关领域的技术创新。未来的研究方向可能包括：优化反卷积的计算效率、减少伪影、开发针对
卷积(conv)与转置卷积(transposed conv, deconv)
smallflyingpig的专栏
08-14 766
转置卷积/解卷积/transposed conv/deconv reference: http://deeplearning.net/software/theano/tutorial/conv_arithmetic.html 1. 从一维卷积开始 * kernel=3, stride=1, padding=0 conv(x)=(x1,x2,x3,x4,x5)T⎡⎣⎢⎢⎢⎢⎢k1k2k300...
反卷积（卷积层的可视化）
12-14
反卷积（Deconvolution）的概念第一次出现是Zeiler在2010年发表的论文Deconvolutional networks中，但是并没有指定反卷积这个名字，反卷积这个术语正式的使用是在其之后的工作中(Adaptive deconvolutional networks for mid and high level feature learning)。随着反卷积在神经网络可视化上的成功应用，其被越来越多的工作所采纳比如：场景分割、生成模型等。其中反卷积（Deconvolution）也有很多其他的叫法，比如：Transposed Convolution，Fractional Strided Convolution等等。
一文让你看懂转置卷积（反卷积，分数卷积），非常详细的图解描述
AI公园
05-05 1782
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”作者：Naoki Shibuya编译：ronghuaiyang导读如果你听说过转置卷积并对它的实际含义感...
转置卷积/反卷积（Transpose Convolution/Deconvolution）详解
晓野豬
09-10 1447
转置卷积/反卷积（Transpose Convolution/Deconvolution）详解 1、提出背景及其应用   一般情况下，图像在经过多层的卷积运算后，其输出特征图的尺寸将会减小，图片分辨率降低。而在某些特定的任务中，我们需要将图像恢复或一定程度上增大，以便于后续的使用。这个恢复/增大图像尺寸，实现图像由小分辨率到大分辨率映射的操作，叫做上采样（Upsample）。转置卷积便是常见的上采样方法之一。与传统的上采样方法（最近邻插值、双线性插值等）相比，转置卷积不会使用预先设定的插值方法。它具有可学习
deconv 和 conv
01-23
### Deconvolution 和 Convolution 的区别 卷积操作（Convolution）主要用于提取输入数据的空间特征，通常应用于图像处理领域。通过滑动窗口的方式，在输入上应用滤波器来生成特征图。这一过程会减少空间维度并增加通道数。 反卷积层（Deconvolution），也被称为转置卷积（Transposed Convolution），并不执行传统意义上的逆向卷积运算。相反，其主要目的是放大特征图尺寸或将低分辨率的特征映射到高分辨率表示[^1]。 ```python import torch.nn as nn # 定义一个简单的卷积层 conv_layer = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=3, stride=1) # 定义一个简单的反卷积/转置卷积层 deconv_layer = nn.ConvTranspose2d(in_channels=64, out_channels=3, kernel_size=3, stride=1) ``` ### 应用场景对比 #### 卷积的应用 - **分类任务**：用于构建高效的特征提取网络结构，如VGGNet、ResNet等。 - **目标检测**：在Faster R-CNN中作为骨干网部分，负责捕捉不同尺度的目标信息。 - **语义分割**：尽管最终输出需要恢复原始大小，但在编码阶段仍然依赖于标准卷积获取局部细节特性。 #### 反卷积的应用 - **超分辨率重建**：将低分辨率图片转换成高质量版本，比如ESPCN模型就采用了这种技术。 - **风格迁移**：允许算法理解艺术作品的艺术风格并将之迁移到其他照片之上。 - **语义分割**：解码过程中利用反卷积逐步还原被压缩后的特征图至原图尺寸，以便像素级预测类别标签。
评论 29
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