矩形卷积&非对称卷积核，卷积后特征图尺寸计算

已于 2022-11-17 22:20:41 修改
阅读量3.7k 收藏 23
点赞数 2
文章标签： 深度学习 计算机视觉 神经网络
于 2021-08-07 10:41:01 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_42410915/article/details/119480135
版权
本文介绍了矩形卷积和非对称卷积核在卷积神经网络中如何影响输出特征图的尺寸。通过公式详细阐述了不同参数如步幅、Padding和空洞值对特征图尺寸计算的影响，适用于计算机视觉和深度学习领域的应用。

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

矩形卷积和非对称卷积核，卷积后的特征图尺寸计算其实原理是一样的。

矩形卷积

如果输入图像是正方形，尺寸为WxW，卷积核尺寸为FxF，步幅为S，Padding使用P，经过该卷积层后输出的特征图尺寸为NxN：

 

 如果输入图像是矩形，尺寸为WxH，卷积核的尺寸为FxF，步幅为S，图像深度(通道数)为C，Padding使用P，则：

              

 非对称卷积核卷积：

此处只例举输入图像是正方形的情况。设输入图像尺寸为WxW，卷积核尺寸为ExF，步幅为S，Padding为P，卷积后的特征图尺寸为：

            

最低0.47元/天 解锁文章
王吉吉丫
关注
矩形信号的卷积：信号处理详解
KxobDebugging的博客
09-21 2325
通过对两个矩形信号进行卷积运算，我们可以得到它们之间的关联信息。通过使用Python代码，我们可以方便地实现矩形信号的卷积运算并观察结果。在本文中，我们将详细介绍如何对任意两个矩形信号进行卷积，并提供相应的源代码实现。卷积的定义是对两个函数进行积分运算，其中一个函数作为另一个函数的权重。最后，我们生成了两个矩形信号x和h，并对它们进行卷积运算。假设我们有两个矩形信号x和h，它们的长度分别为N和M。假设我们有两个矩形信号，分别记为x(n)和h(n)，其中n表示离散时间点。其中*表示卷积运算，∑表示求和运算。
非对称卷积
Viraha_的博客
08-27 5409
非对称卷积的代码实现 假设有一个5x5大小的特征图，使用3x3的卷积，不进行padding（即valid），步长默认为1。 计算量： 先进行3x1卷积核的滑动，横向滑动3次，纵向滑动5次，每一次计算量为3，计算量为（3x5)x3=45。得到的新的特征图为 [3,5] 。再进行1x3卷积，横向滑动3次，纵向滑动3次，每一次计算量为3，计算量为（3x3）x3=27。则总的计算量为45+27=72 使用3x3的卷积核对5x5的图进行卷积得到的计算量为：横竖三次滑动，每次计算量为9，则9x9=81>72 代码
Tensorflow入门--------计算卷积后的特征图尺寸
热门推荐
梦的漂流瓶的博客
07-17 2万+
     在卷积神经网络设计网型的时候，需要对卷积核和池化层进行参数设置。有三个重要的参数，首先是卷积核的大小，其次是设置步长（padding）的大小，最后是是否采用padding。这几个因素直接影响了卷积、池化后的特征图的大小，对于网络形状的设计非常重要的参数。本博客将针对这三个参数进行解释，并且利用tensorflow进行结论的实验。 一、卷积核     卷积核这个东西比较好理解，就是卷积...
卷积核都是正方形的吗？不同大小的卷积核的作用？
seasonsyy的博客
12-05 1327
卷积核都是正方形的吗？卷积核的大小有1×1,3×3,5×5的，还有更大的吗？分别有什么用处？
矩阵的卷积核运算（一个简单小例子的讲解）深度学习
kyle1314608的博客
02-27 4009
...
AI嵌入式系统近似卷积算法——矩形卷积核近似卷积
DuHz的博客
11-23 1009
在人工智能（AI）嵌入式系统中，卷积运算是深度学习模型中的核心操作之一，尤其在卷积神经网络（CNN）中扮演着关键角色。然而，嵌入式设备通常受限于计算资源、存储空间和能耗限制，如何高效地实现卷积运算成为一个重要的研究课题。传统的卷积运算在资源受限的环境中难以满足实时性和功耗要求，因此，开发高效的卷积算法具有重要意义。 本文详细介绍了一种基于矩形卷积核的近似卷积算法，通过使用矩形形状的卷积核近似原始卷积核，降低计算复杂度，从而提高嵌入式系统的运算效率。该方法利用矩形卷积核的结构特点，将复杂的卷积操作简化为多次
深度学习中的各种卷积总结
PRIS-SCMonkey的博客
07-26 4247
深度学习中的各种卷积总结 在深度学习中，卷积是一个非常重要的概念，卷积也是卷积神经网络拥有良好的图像处理能力的关键。这篇文章将介绍一下不同类型的卷积，为了简单起见，本文只关注于二维的卷积。
两个相同矩形脉冲卷积_两个矩形脉冲的卷积
weixin_39998881的博客
12-18 7799
我试图找到两个矩形脉冲的卷积。在没有错误被抛出-我得到了一个适当形状的波形输出-然而，我的答案的大小似乎太大了，我也不确定如何将正确的x/时间轴与这个卷积相匹配。在此外，卷积的大小似乎取决于两个脉冲中的采样数(基本上是采样频率)——这是不正确的。在当我试图建立一个连续时间信号的模型，而不是离散的，我设置了非常高的采样频率。在很明显，我做错了什么事——但这是什么，我该如何改正呢？非常感谢-如果有些代...
信号与系统+矩形信号卷积.ppt
11-05
在卷积的过程中，一个矩形波的每个点都会与另一个矩形波的每个点相乘并积分，由于两个矩形波宽度相同，因此在卷积积分中，矩形波的边缘部分相乘结果为零，只有当两个矩形波完全重叠部分进行积分时才会得到一个非零值...
ACNet：通过非对称卷积块增强强大的CNN的内核骨架-Python开发
05-25
ACNet：通过非对称卷积块增强强大的CNN的内核骨架ACNet ICCV 2019论文：ACNet：通过非对称卷积块增强强大的CNN的内核骨架 其他实现：PaddlePaddle重新实现以构建ACNet和转换权重已被PaddlePaddle官方仓库接受。 @ parap1uie-s的出色工作！ Tensorflow2：一个简单的插件模块（https://github.com/CXYCarson/TF_AcBlock）！ 只需使用它来构建模型，然后调用deploy（）即可将其转换为推理时结构！ @CXYCarson的惊人作品
非对称卷积—Asymmetric Convolutions
leadai的博客
04-13 7950
NVIDIA DLI深度学习入门培训 | 特设三场4.28/5.19/5.26一天密集式训练  快速带你入门深度学习阅读全文>正文1547个字，1张图，预计阅读时间5分钟。最近拜读了Christian Szegedy的Rethinking the Inception Architecture for Computer Vision，让我开了许多脑洞。不得不承认，现在的深度学习发展太快了，稍不留神，
超实用性！哈工大提出ACNet：用于超分辨的非对称卷积神经网络
阿木寺的博客
04-05 2811
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达由哈尔滨工业大学、鹏城实验室、国立清华大学及香港中文大学的学者提出了一种用于盲噪声的盲超分辨的非对称卷积神经网络，该论文...
【ICCV 2019】ACNet: 使用非对称卷积块增强CNN的卷积核骨架
weixin_44378835的博客
07-20 2529
这篇文章提出了ACNet，使用了一种可以替代原始CNN模型中普通方形$d\times d$卷积核的非对称卷积块（ Asymmetric Convolution Block，ACB）。非对称卷积块由卷积核为方形($d×d$)、水平($1×d$)和垂直($d×1$)的三个平行层组成，水平和垂直卷积核与方形卷积核相加可以对方形卷积核的骨架进行增强。利用得到的卷积核参数对原始模型进行部署还可以在不需要额外的计算成本的前提下提升原始模型的准确率：.....................
两个矩形脉冲的卷积计算
02-09 4132
最近在看《信号与系统》，看到两个矩形脉冲的卷积为三角脉冲，自已用公式推导了一下。矩形脉冲可表示为：使用卷积的积分性质所以：先算后面的式子：分析后可得：写成表达式为：根据卷积的分配律及冲激函数卷积的计算方法：计算完毕！
矩阵卷积运算的具体过程
wj1298250240的博客
01-19 2291
参考： https://blog.csdn.net/f156207495/article/details/82954506 可通过信号系统来理解：
非对称卷积优化卷积神经网络特征拟合
HackWhisper的博客
08-16 1018
然而，在某些情况下，传统的对称卷积操作可能无法充分捕捉到输入中不对称的特征。本文介绍了非对称卷积的原理和实现方法，并给出了相应的源代码。非对称卷积通过设置不同的权重来增强卷积神经网络的特征拟合能力，特别适用于捕捉图像中的不对称特征。传统的卷积操作是指卷积核中的元素在水平和垂直方向上是对称的，即权重是相同的。非对称卷积通过设置不同的权重来实现对不同方向的特征进行有针对性的提取。通过设置不同的权重，非对称卷积可以更好地捕捉到图像中的不对称特征。以二维图像为例，设输入图像为X，卷积核为W，输出特征图为Y。
【 MATLAB 】两个序列的卷积和运算的MATLAB实现（1）
Reborn Lee
10-22 1万+
设矩形脉冲  是脉冲响应  的LTI系统的输入，求输出 y(n). 下面的脚本中用到了一个自定义的函数，也就是两个信号相加的函数： 相关博文：【 MATLAB 】基本序列运算及其MATLAB的等效表示 function [y,n] = sigadd(x1,n1,x2,n2) % implements y(n) = x1(n) + x2(n) % [y,n] = sigadd(x1,n1,x...
非对称卷积增强CNN特征拟合
3D视觉工坊
02-02 1576
作者：Tom Hardy Date：2020-01-14 来源：非对称卷积增强CNN特征拟合 原创作者来自清华大学和国家信息技术研究中心~论文链接：https://arxiv.org/pdf/1905.10089.pdf代码链接：https://github.com/anheidelonghu/ACNet提出原因1、在指定的应用环境中设计合适的卷积神经网络(CNN)结构需要大量的人工工作或大量的G...
非对称卷积原理图
最新发布
03-12
<think>好的，用户想了解非对称卷积的原理及其图形表示。首先我需要回忆一下非对称卷积的基本概念。非对称卷积（Asymmetric Convolution）是卷积神经网络中的一种技术，通常用于增强模型的特征提取能力而不增加过多的参数。根据引用[4]，ACNet将非对称卷积用于图像超分，效果不错。 首先，非对称卷积的工作原理。常规的卷积核是正方形的，比如3x3，而非对称卷积可能分解成1x3和3x1的连续卷积。这样做的好处是保持相同感受野的同时减少参数数量，或者通过组合不同方向的卷积来捕捉更丰富的特征。例如，先进行1x3的垂直卷积，再进行3x1的水平卷积，整体效果类似3x3卷积，但参数更少，并且可能引入更多的非线性。 然后需要考虑示意图的问题。根据引用[3]，单通道卷积是元素相乘累加。非对称卷积的示意图应该显示分解后的卷积步骤。比如，一个3x3的卷积分解为1x3和3x1的组合，或者非对称结构如1x5和5x1的组合。需要明确分步展示每个卷积核的作用方向。 可能用户需要知道为什么非对称卷积有效。根据引用[4]，非对称卷积可以与现有结构如LESRCNN结合，提升性能。这可能是因为非对称结构在训练时增加了网络的学习能力，同时在推理时可以通过结构重参数化将多个卷积合并，不增加计算量。 需要确保回答中正确引用，比如引用[4]提到的ACNet应用。另外，用户可能需要示意图的LaTeX表示，但用户要求的是图形表示，可能需要描述示意图的结构，用文字代替图像，比如用符号和箭头表示卷积方向。 最后，生成相关问题时要围绕非对称卷积的应用、优势、与传统卷积的区别等方面提问。例如，优化方法、与其他技术的结合、实际应用场景等。 总结回答的结构：先解释原理，再描述示意图，引用相关文献，最后生成相关问题。确保使用正确的LaTeX格式，行内公式用$...$，独立公式用$$...$$，并检查语法正确性。</think>### 非对称卷积的原理及示意图 #### 1. 工作原理 非对称卷积（Asymmetric Convolution）通过将传统正方形卷积核分解为多个方向不同的矩形卷积核组合，增强模型的特征提取能力。例如，一个$3 \times 3$的卷积可以拆分为$1 \times 3$和$3 \times 1$的连续卷积操作[^4]。这种分解方式在保持相似感受野的同时，具有以下优势： - **参数更少**：两个矩形卷积核的参数总量为$1 \times 3 + 3 \times 1 = 6$，而原$3 \times 3$卷积核参数为$9$，减少了约33%的参数量。 - **方向性特征提取**：$1 \times 3$卷积侧重捕捉垂直方向的特征，$3 \times 1$卷积侧重水平方向，组合后能更灵活地建模局部结构。 #### 2. 示意图描述 以$3 \times 3$卷积分解为例： 1. **第一步（垂直卷积）**：使用$1 \times 3$卷积核对输入特征图进行垂直方向扫描，公式为： $$y_{ij} = \sum_{k=-1}^{1} x_{i,j+k} \cdot w_{k+1}$$ 其中$w$为卷积核权重，$x$为输入像素值。 2. **第二步（水平卷积）**：对第一步的输出应用$3 \times 1$卷积核进行水平方向扫描，公式为： $$z_{ij} = \sum_{k=-1}^{1} y_{i+k,j} \cdot v_{k+1}$$ 最终结果$z_{ij}$等效于原$3 \times 3$卷积的输出，但通过分解引入了更多非线性。 #### 3. 实际应用 在ACNet中，非对称卷积被用于图像超分辨率任务，与残差网络结合后可提升高频细节的恢复能力。训练时使用分解的卷积核，推理时可通过参数融合将其合并为单个$3 \times 3$卷积，避免计算量增加。 --- ### 示意图的LaTeX表示 ```latex % 垂直卷积（1×3） 输入矩阵：$\begin{bmatrix} x_{11} & x_{12} & x_{13} \\ x_{21} & x_{22} & x_{23} \\ x_{31} & x_{32} & x_{33} \end{bmatrix}$ 卷积核：$\begin{bmatrix} w_1 & w_2 & w_3 \end{bmatrix}$ % 水平卷积（3×1） 中间结果：$\begin{bmatrix} y_{11} & y_{12} \\ y_{21} & y_{22} \end{bmatrix}$ 卷积核：$\begin{bmatrix} v_1 \\ v_2 \\ v_3 \end{bmatrix}$ ``` ---
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