为什么使用奇数卷积核？！

最新推荐文章于 2022-10-26 20:07:29 发布
最新推荐文章于 2022-10-26 20:07:29 发布
阅读量493 收藏 1
点赞数
文章标签： 深度学习 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/weixin_45639117/article/details/106823210
版权

1.参考矩阵卷积的性质可知，矩阵卷积会以卷积核模块的一个部分为基准进行滑动，一般cnn中的卷积核是方形的，为了统一标准，会用卷积核模块中心为基准进行滑动，从被卷积矩阵第一个框按一定布长从左到右从上到下进行滑动，最后滑动到被积矩阵最后一块。所以卷积核一般为奇数，主要是方便以模块中心为标准进行滑动卷积。
2.方便same padding的处理。如步长为1时，要补充k-1的zero padding才能使输出输出的尺寸一致，这时候如果核大小k是偶数，则需要补充奇数的zero padding，不能平均分到feature map的两侧。
3.奇数卷积核有天然的绝对中心。

以上内容来自知乎回答的整合。

https://www.zhihu.com/question/51603070

小猪猪爱吃饭
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
C++实现对图像进行卷积，自定义卷积和
04-02
在2D图像上，卷积通常通过将一个称为卷积核或滤波器的小矩阵（通常为奇数大小，如3x3或5x5）滑过图像的每一个像素，并计算卷积核与图像对应区域的乘积和，以此来更新图像的每个像素值。 在C++中实现图像卷积，我们...
Tensorflow卷积神经网络
02-25
对图像中每个点取以其为中心的f阶方阵,将该方阵中各值与卷积核中对应位置的值相乘,并用它们的和作为结果矩阵中对应点的值.1*1+1*0+1*1+0*0+1*1+1*0+0*1+0*0+1*1=4卷积核每次向右移动1列,遇行末向下移动1列
奇数卷积核VS偶数卷积核
01-06
在跑一份代码时，效果一直提升不上去，偶然将3 * 3的卷积核换成了4 * 4的卷积核，效果奇佳，于是搜索了一下卷积核的大小对网络性能的影响，总结如下： 1.大卷积核和小卷积核 显然，大卷积核的感受野更大，自然提取特征的性能更好，一个5 * 5的卷积核可以由两个3 * 3的卷积核替换，但是带来的代价是：大卷积核的计算速度更慢，参数量更多。因此，通常使用小卷积核，小卷积核所需要的参数量更少，且产生了更多的特征 2.奇数卷积核和偶数卷积核 “Convolution with even-sized kernels and symmetric padding” 这篇论文，解释了偶数卷积核对网络的影
【深度学习】卷积核 为什么都是 奇数size
JNing
04-24 7423
【深度学习】卷积核 为什么都是 奇数size
卷积核为何是奇数
sinat_28916141的博客
04-06 441
为什么CNN中的卷积核一般都是奇数 为什么CNN中的卷积核一般都是奇奇数奇数，没有偶数偶数的？ 咱们经常见到的多为 3 * 3、55;怎么从来没有见过 44，6*6 之类的卷积核？无论奇数 or 偶数，都是能够做卷积的呀 之前学习的时候真的没有想过这些问题，再复习时，觉得全是 Why?说明之前还是没有搞明白 从AlexNet模型的1111、55、33，还有VGG开始统一卷积核为33，再到之后的模型，都没有用过 偶数偶数的卷积核，说明它是有问题的，或者是没有 奇数奇数的方便 这一串的问题，原因有两个： 1.保
卷积核的kernel size为什么要设置为奇数
Elvira521yan的博客
06-16 2239
kernel size设置奇数的原因
为什么卷积核通常都是奇数（1x1、3x3...）
01-20 1906
1，为了方便same padding时的处理。如步长为1时，要补充k-1的zero padding才能使输出输出的尺寸一致，这时候如果核大小k是偶数，则需要补充奇数的zero padding，不能平均分到feature map的两侧。 padding时对称：保证了 padding 时，图像的两边依然相 对称 。 在卷积时，我们有时候需要卷积前后的尺寸不变。这时候我们就需要用到padding。假设图像的大小，也就是被卷积对象的大小为nn，卷积核大小为kk，padding的幅度设为(k-1)/2时，卷积后的输
为什么CNN中的卷积核大小一般是奇数
Black eyes的博客
09-23 1476
文章目录卷积核大小一般是奇数padding问题卷积的三种模式:full, same, valid 卷积核大小一般是奇数 便于进行padding same convolution时，有些情况偶数卷积核会出现问题。假设：输入图片大小W×W；Filter大小F×F；步长strides S；padding的像素数 P；输出大小NxN。于是N=W−F+12∗PS+1N=\frac{W-F+12*P}{S}+1N=SW−F+12∗P​+1，当做一种same convolution时，若要卷积前后的尺寸不变，即要求输入
深度学习: 卷积核（滤波器）为什么都是奇数？
q1234luo的博客
05-13 5152
卷积核一般都把size设为奇数，主要有以下两个原因：1.保证了锚点（卷积核的中心）刚好在中间，方便以模块中心为标准进行滑动卷积。2.保证了padding时，图像的两边依然相对称。...
1_生成对应特征图_图像卷积_用numpy完成图像卷积运算_自定义卷积核_
10-03
卷积核通常具有奇数尺寸，例如3x3或5x5，以保持中心对称性。 在numpy中实现图像卷积，我们需要遵循以下步骤： 1. **导入必要的库**：首先，我们需要导入numpy用于数值计算，以及matplotlib用于图像处理。代码可能...
CNN.rar_卷积核_卷积神经_卷积神经网络 MATLAB_卷积网络_神经网络采样
07-14
卷积核的大小通常为奇数方形，如3x3、5x5等，其参数数量相对较少，有助于减少模型复杂性和过拟合。在CNN中，不同的卷积核可以检测到图像的不同特征，如边缘、颜色和纹理。 卷积层是CNN中的主要结构，它通过卷积操作...
CNN-卷积核大小是奇数的原因
weixin_54814385的博客
10-26 1385
CNN 卷积核大小是奇数的原因
cnn 卷积核为什么都是奇数
无左无右的博客
06-30 1185
原因1： 奇数相对于偶数，有中心点，对边沿、对线条更加敏感，可以更有效的提取边沿信息。 偶数也可以使用，但是效率比奇数低。在数以万计或亿计的计算过程中，每个卷积核差一点，累计的效率就会差很多。 或者解释： 《数字图像处理 (第三版)》(阮秋琦翻译)p89 也可以使用偶数尺寸的滤波器，或使用混合有偶数尺寸和奇数尺寸的滤波器。但是，使用奇数尺寸的滤波器可简化索引，并更为直观，因为滤波器的中心落在整...
为甚么卷积核都是奇数个数
qq1376725255的专栏
05-06 368
有两个原因 1.在输入和输出尺寸一致的情况下，为了保持padding是整数，filter的尺寸必须是奇数 这里是由公式推导而来 注：显然我们要保持padding是整数，不然会导致padding不对称 2.奇数卷积核对称，偶数卷积核不对称。 ...
深度学习: 卷积核尺寸size为什么是 奇数
u010899985的博客
08-10 6628
卷积核一般都把size设为奇数，主要有两个原因： 保证 锚点 刚好在中间，方便以 central pixel 为标准进行滑动卷积，避免了位置信息发生 偏移 。 保证填充（Padding），在图像之间添加额外的零层，图像的两边相 对称，以使输出图像的大小与输入相同。 padding方式“SAME”和“VALID “VALID”：只会丢掉最右边的列（或最底部的行） “SAME”：...
为什么CNN中的卷积核大小都是奇数？
happy_wealthy的博客
08-22 880
为什么CNN中的卷积核大小都是奇数？ 主要有两点原因： 1.便于进行padding。 在卷积时，若要卷积前后的尺寸不变。需要对原图进行padding。 假设图像的大小，也就是被卷积对象的大小为n∗n，卷积核大小为k∗k 当padding的幅度设为(k−1)/2 ​ 保证了卷积前后尺寸不变。但是如果k是偶数的话，(k−1)/2 ​ 就不是整数了。 2.容易找到卷积锚点 在像素这个领域里，偶数框其实是没有一个“绝对的物理中心”的 奇数相对于偶数，有中心点，对边沿、对线条更加敏感，可以更有效的提取边沿信息。保
为什么CNN中的卷积核一般都是奇数*奇数？
sunlanchang的博客
12-16 285
为什么CNN中的卷积核一般都是奇数*奇数？
CNN为什么卷积核的大小都是奇数
Fan9_的博客
08-13 4102
CNN的卷积核大小都是奇数而没有偶数主要有以下两点原因： 1、奇数卷积核有中心像素点 如下图中，奇数大小的卷积核有唯一的中心像素点，而偶数大小的卷积核没有中心像素点 为什么需要中心像素点？因为中心像素点有以下两点左右： 确定局部卷积后要更新的像素点位置。如下图的卷积操作，中心像素的位置对应着当前卷积操作wx+b的值要赋给那个位置。如果卷积核是偶数，中...
【AI-1000问】为什么CNN中的卷积核半径都是奇数？
hacker_long的专栏
04-09 607
往期视频（前往公众号有三AI观看） 为什么CNN中的卷积核一般都是奇数*奇数？ 熟悉CNN应该都知道常见的卷积核都是3*3或者5*5等，也就是奇数*奇数，似乎都没看过偶数的，这是为什么呢？ 作者/编辑汤兴旺 在CNN中，卷积核的大小是3*3或者5*5是最常见的。也就是说我们见到的卷积核几乎都是奇数*奇数的。在LeNet5中两个卷积层的卷积核都是5*5。 而在AlexNet...
什么是卷积计算？举例说明
最新发布
05-10
卷积计算是一种数学运算，它在信号处理、图像处理和机器学习等领域中广泛应用。卷积计算的本质是将两个函数进行积分运算，其中一个函数是输入信号，另一个函数是卷积核（也称为滤波器）。卷积计算的结果是一个新的函数，它描述了输入信号与卷积核之间的相互作用。 举个例子，假设有一个长度为10的输入信号，如下所示： [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] 我们想要对这个信号进行平滑处理，可以使用一个长度为3的卷积核，如下所示： [0.25, 0.5, 0.25] 卷积核的作用是将每个输入值与它周围的值进行加权平均处理。卷积核的长度通常是奇数，以确保它在输入信号的中心位置。卷积计算的结果是一个长度为8的输出信号，它描述了输入信号与卷积核之间的相互作用。输出信号如下所示： [1.25, 2, 3, 4, 5, 6, 7, 8.75] 可以看到，输出信号的长度比输入信号少两个，这是因为卷积核需要在输入信号的两端进行舍弃。卷积计算可以用于滤波、特征提取、图像处理等任务。
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
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