目标检测——转置卷积

已于 2022-05-02 18:30:42 修改
阅读量687 收藏
点赞数
分类专栏： object detection 文章标签： 目标检测 计算机视觉 深度学习
于 2022-05-02 17:59:46 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/weixin_38346042/article/details/124542006
版权
本文介绍了转置卷积在目标检测和语义分割中的作用，详细阐述了转置卷积的运算步骤，包括如何计算输出特征大小，并通过Pytorch进行了转置卷积的实践操作。此外，还讨论了卷积的不同计算方法和Pytorch中`torch.nn.ConvTranspose2d`的参数设置。
摘要由CSDN通过智能技术生成

1. 转置卷积介绍

转置卷积(Transposed Convolution)，另外常见的两个英文翻译：fractionally-strided convolution、deconvolution。转置卷积在目标检测、语义分割中主要起到up-sampling(上采样)的作用。
参考: A guide to convolution arithmetic for deep learning

图1 普通卷积 padding=0,strides=1

图2 转置卷积 pading=0,strides=1

图1 是我们传统的普通卷积，可以看到输入特征层为4x4，kernerl大小3x3,padding=0,strides&#

了解本专栏 订阅专栏 解锁全文 超级会员免费看
@BangBang
关注
专栏目录
订阅专栏
算法工程师面试问题 | 目标检测网络总结——object detect
kay_545
04-28 1599
面试问题，面试提问，面试技巧，算法工程师
CV目标检测（二）——空洞卷积&转置卷积
清崎教练
10-14 496
空洞卷积 在相同感受野的情况下，使用空洞卷积可以得到更大的特征图，可以获得更加密集的数据。在相同感受野的情况下，更大的特征图有助于在目标检测和目标分割的任务中对小物体的识别分割效果 转置卷积 ...
转置卷积(反卷积)--深度理解
最新发布
zzylalalala的博客
11-29 292
下图以stride=1，padding=1，kernel_size=3为例，假设输入特征图大小是4x4的（假设输入输出都是单通道），通过卷积后得到的特征图大小为2x2。一般使用卷积的情况中，要么特征图变小（stride > 1），要么保持不变（stride = 1），通常，对图像进行多次卷积运算后，特征图的尺寸会不断缩小。普通的卷积操作可以说是很简单，就是卷积核大小的窗口在原始输入图像的一步步挪动，通过加权计算得到结果。简单来说，对于同一个卷积核，经过转置卷积操作之后并不能恢复到原始的数值，保留的只有。
转置卷积
fanxuelian的博客
04-22 1376
转置卷积transposed convolution个人备忘总结转置卷积特点实现总结 转置卷积 上采样方式有三种：双线性或最近邻插值、反池化和转置卷积。现在见的比较多的是双线性和转置卷积。在经典的FCN8中用的就是转置卷积（文中称其为反卷积deconvolution）。 特点 转置卷积顾名思义是一种卷积方式，只是卷积前多了个参数转置的过程。 优点：可学习，理论上模型可以通过学习获取最适合当前数据集的上采样方式。 缺点：存在棋盘效应， 分割边界为锯齿状。前者可以参考国外大佬的博客，消除办法是将kernel设置
转置卷积（Transposed Convolution）
热门推荐
霹雳吧啦Wz
10-13 4万+
import torch import torch.nn as nn def transposed_conv_official(): feature_map = torch.as_tensor([[1, 0], [2, 1]], dtype=torch.float32).reshape([1, 1, 2, 2]) print(feature_map) trans_conv = nn.ConvTranspose2
卷积层上的滑动窗口（将全连接层转化为卷积层）
陶宝大人的博客
11-20 1万+
全连接层转化为卷积层 一、FC网络 在有全连接层的网络中，第一个FC是将上一层5*5*16的多维数据拉成一行，转化为1*1*400，在通过一个变换矩阵，变成第二个FC，然后经过softmax输出预测结果。 二、全卷积网络 在全卷积网络中，我们通过卷积替换掉全连接，具体做法是： 1.在第一个FC处，使用400个5*5*16的卷积核对上一层layer进行处理，得到的输出是1*1*40
卷积滑动窗口检测算法原理
weixin_42285271的博客
02-25 8754
在目标检测中，基于滑动窗口的检测是一种常见的办法。 如下是该算法的主要思路： 首先该算法的实现需要预先训练卷积网络，将数据集（经过裁剪，使检测的物体尽量处于图像中心并占据图片较大位置）进行训练，然后通过固定大小的窗口以及固定步长扫描需要检测的图片，将图片中处于窗口中的图像送入训练好的卷积网络进行检测，判断有无物体输出，最终通过变换扫描窗口的大小，可以检测出有无物体以及物体的大致定位（该算法的定位不...
图像处理技术—— CNN卷积神经网络(Convolutional Neural Network) 的原理、基本原型、以及一些典型的应用
程序员光剑
08-30 1105
图像处理（Image Processing）或图像计算机视觉(Computer Vision)，是指对图像进行各种分析、处理、检索、识别的技术。图像处理常用的方法有基于模板匹配的方法、特征点检测的方法、形态学操作、轮廓查找、分割等。这些方法可以从多种角度对目标进行描述和分析，提高复杂场景下的目标识别、跟踪、检测、识别能力。此外，计算机视觉还涉及目标追踪、轨迹拟合、运动推测等多个领域。由于图像处理技术的广泛应用，使得机器学习在图像领域受到越来越多的关注。
语义分割网络系列——FCN，全卷积网络
新兴IT民工的专栏
11-09 1935
这个专栏的前面一些文章，已经设计到了图像网络，或者说机器视觉的两个主要任务：分类和检测。现在来说说另外一个任务：分割(Segmentation)。一般来说，分类相对比较简单一点，通过一个基础网络(backbone)就可以完成任务，从LeNet，AlexNet，到ResNet，SENet等，都是通过基础网络完成分类任务。在分类网络的基础上，加上一些detector head，比如RCNN引入的ROI Pooling，RPN等；YOLO1-5引入的回归，anchor等。就可以完成目标检测的任务。
动手学深度学习——目标检测 SSD R-CNN Fast R-CNN Faster R-CNN Mask R-CNN
iwill323的博客
09-26 1687
目标检 SSD R-CNN Fast R-CNN Faster R-CNN Mask R-CNN
卷积的滑动窗口实现（Convolutional implementation of sliding windows）
as472780551的博客
07-22 4522
为了构建滑动窗口的卷积应用， 首先要知道如何把神经网络的全连接层转化成卷积层    
图像卷积及其计算（特征图尺寸、参数量、计算量）
weixin_44966641的博客
10-22 8135
图像卷积及其计算（特征图尺寸、参数量、计算量） 卷积前后特征图尺寸的计算 定义参数如下： 输入特征图尺寸： W×WW×WW×W 卷积核尺寸： F×FF×FF×F 步长： SSS 填充的像素数：PPP 则有输出特征图尺寸为 N×NN×NN×N： N=(W−F+2P)/S+1 N = (W − F + 2P )/S+1 N=(W−F+2P)/S+1 参数量的计算 卷积层的参数量 卷积的参数量即卷积核的参数量，设我们有如下参数： 卷积核尺寸：KKK 前一层的通道数：CinC_{in}Cin​ 当前层的卷积核
【转置卷积】当想用通过学习来进行上采样的时候
qq_37791134的博客
11-26 2599
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...
【PyTorch细节】卷积后的bias什么时候加，什么时候不加
Gorgeous_wxd
06-04 1万+
我们在进行写代码的时候，有时候会发现有的m = nn.Conv2d(16, 33, 3, stride=2,bias=False) ,bias是False，而默认的是True。为啥呢？是因为一般为False的时候，nn.Conv2d()后面通常接nn.BatchNorm2d(output)。 是因为BN里面有一个关键操作， 其中x1 = x0 * w0 + b0，而E[x1] = E[x0*w0] + b0， 所以对于分子而言，加没加偏置，没有影响；而对于下面分母而言，因为Var是方差操作，所以也没有影响
深度学习：卷积实现滑动窗口（Convolutional implementation of sliding windows）
默语之声的博客
04-10 3904
一、FC网络 在有全连接层的网络中，第一个FC是将上一层5516的多维数据拉成一行，转化为11400，在通过一个变换矩阵，变成第二个FC，然后经过softmax输出预测结果。 二、全卷积网络 在全卷积网络中，我们通过卷积替换掉全连接，具体做法是： 1.在第一个FC处，使用400个5516的卷积核对上一层layer进行处理，得到的输出是11400。这样，输出中每一个值都包含了一个5516的卷积核。 ...
上采样（最近邻插值、双线性插值法、反池化、转置卷积）
YuanLei96的博客
04-18 1万+
一般图像分割的时候，需要对图像进行像素级别的分类，因此在卷积提取到抽象特征后需要通过上采样将feature map还原到原图大小，在FCN和U-net等网络中都提到了上采样的操作，这里会一些上采样的方法进行总结。
转置卷积学习笔记
scar2016的博客
01-03 1865
文章目录1. 转置卷积定义2. 1. 转置卷积定义 2.
矩阵卷积的实际运算
jlqprivate的博客
09-29 2972
矩阵的卷积运算主要用在图像处理中，假设输入信号为x[m,n]，激活响应为h[m,n]，则其卷积定义为： 不过在图像处理中这里的激活响应（也称为核）h[m,n]通常是一个3乘3矩阵，其下标如下图所示 其余下标的值取0，注意到原点(0,0)是是矩阵的中心。 在图像处理中，输入信号x[m,n]的非零值通常是横坐标从0到M-1，纵坐标从0到N-1，这里M和N分别是图像宽和高的值，
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

@BangBang

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