深度学习基础--卷积--correlation layer(相关联层/互相关层)

最新推荐文章于 2023-11-02 11:27:43 发布
最新推荐文章于 2023-11-02 11:27:43 发布
阅读量6.9k 收藏 19
点赞数
分类专栏： 深度学习基础
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/wydbyxr/article/details/84061628
版权

correlation layer(相关联层/互相关层)

  该层的主要作用是比较来自两张图片的feature map的关系，文章用了卷积的形式，还是比较巧妙的，具体方程如下：
在这里插入图片描述

  C代表correlation，f1和f2分别代表两个feature map， k代表要比较的区域，x1，x2分别代表两个feature map上的点。具体的计算流程还是看原文本，这里只要知道这个层的主要作用是计算两个层的关系就可以了。

以上来自https://blog.csdn.net/bea_tree/article/details/67049373

以下是自己的一些分析，最好结合代码看
在这里插入图片描述
在这里插入图片描述

whitenightwu
关注
专栏目录
语义分割网络系列——FCN，全卷积网络
新兴IT民工的专栏
11-09 1925
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。
目标检测YOLO实战应用案例100讲-基于AE-YOLOv3的船舶目标检测与跟踪算法研究
qq_36130719的博客
06-18 734
取，检测其中是否有目标船舶，然后通过跟踪模块进行目标船舶的跟踪，实时监测其位置[3]，方便船员以及水运管理人员做出判断，同时也减少了人力和物力的成本，实现内。当时承载了较大的水运任务，到随后京杭大运河、坎儿井运河的开通，都具有重要意义，理机构，那将会增大人力和物力的支出，同时因为人为疏忽，还存在船舶碰撞的风险，过船上的摄像头实时监控航道上的船舶，自动识别跟踪，及时报警，避免了因为人为疏。量的损失，也会引起航道的交通堵塞，此时更需要过往船只及时检测到，并作出判断，通过船载摄像头，实时监测航道船只动向，通过。
Correlation Layer
PMPWDF的博客
10-09 1965
文章目录Correlation LayerContracting partWhat is correlation layer?具体实现 Correlation Layer Contracting part 我在看“A Survey on Deep Learning Techniques for Stereo-based Depth Estimation”时，在4.1.1中碰到了这句话： The main advantage of the correlation over the $ L2 $ distan
NormalizedCrossCorrelationLayer:Keras上的归一化互相关层
05-12
标准化的CrossCorrelationLayer Dosovitskiy等人[1]提出的规范化互相关层在具有张量流后端的Keras上的实现。 “ NormalizedCrossCorrelation.py”包含该层的代码以及如何使用该层的简单示例。 参考 [1] Dosovitskiy，A.，Fischer，P.，Ilg，E.，Hausser，P.，Hazirbas，C.，Golkov，V.，...＆Brox，T.（2015）。 Flownet：使用卷积网络学习光流。 IEEE计算机视觉国际会议论文集（pp。2758-2766）。
活动报名丨ECCV 2022 最佳论文：Partial Distance Correlation 在深度学习中的应用
BAAIBeijing的博客
11-21 429
11月24日（周四）上午10:30「青源Live 第55期丨ECCV 2022最佳论文：(Partial) Distance Correlation 在深度学习中的应用」将在线举办，来自威斯康星大学麦迪逊分校的计算机科学博士生甄行践做报告分享，欢迎预约观看并参与线上交流。甄行践威斯康星大学麦迪逊分校计算机科学博士生，师从Vikas Singh。在NeurIPS，ICCV，CVPR，AAAI，E...
深度学习——卷积层代码【笔记】
jbkjhji的博客
11-29 986
①卷积层的有关设置，输入通道是1，因为是矩阵（黑白图像。彩色是3）.输出也是1。卷积核的大小是1*2.5.写好之后我们进行一个简单的应用，检测图像中不同颜色的边缘 1代表黑色 0是白色。但是 此刻的卷积核只能检测垂直的边缘，如果给图像转置后，横向检测后就检测不出来。下面用到的是Conv2d系统提供的不是上面写的哪个。2.卷积层的相关运算:跟着沐神手写二维交叉运算。w是卷积核自动生成，b是偏置。设置卷积核，如果颜色一样 输出是 0 如果不一样输出非0。通道数是1，样本数是1.大小是6*8。
论文阅读《Group-wise Correlation Stereo Network》
cunese0088的博客
04-29 774
previous(cost volume)： 传统 1 cross-correlation(correlation层，特征相似性) 缺点：虽然以有效的方式计算特征相似性，在每个视差级别只产生的单通道的correlation map，损失了一部分信息 传统 2 left right features 在所有视差级别级联 缺点：不含相关性，从头学习相似性度量，更多参数 本文提出的gro...
2021论文解读：Learning To Count Everything
qq_35599200的博客
11-17 4176
此文着眼于仅用少量标注样本完成物体计数的任务。 1 研究近况 1.1 小样本 当前的小样本学习研究主要集中在分类任务上，例如图片（物体）分类、文本分类。较少触及检测、分割等任务的，因为小样本学习问题的核心在于快速地识别新类别，相比于分类，检测和分割更加复杂。 2019年，第一篇小样本物体检测的论文发布（Few-shot object detection via feature reweighting），2020年有Few-shot object detection with attention-rpn
layerlayer correlation
07-28
- *3* [深度学习基础--卷积--correlation layer(相关联层/互相关层)](https://blog.csdn.net/wydbyxr/article/details/84061628)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_...
目标检测YOLO实战应用案例100讲-基于改进YOLOv4算法的自动驾驶场景 目标检测
最新发布
qq_36130719的博客
11-02 1813
随着21世纪的到来，我国人民的生活水平不断提高，人们对高品质生活的渴望 不断增强，居民对于汽车的需求也逐年增加，汽车保有量呈上升趋势。据2022年中国 汽车工业协会发布汽车全年产业产销数据，分别完成2702.1万辆和2686.4万辆，同比 增长3.4%和2.1%，全年实现小幅增长。驾车出行确实可以带给人们方便，但也加剧 了交通堵塞以及尾气所带来的空气污染等问题，同时行车安全也考验着每一位驾驶员 的驾驶技术。根据中华人民共和国2022年国民经济和社会发展统计公报，道路交通事 故万车死亡人数1.46人。
深度补全 论文及代码汇总，持续更新中~~
不忘初心~
03-14 2138
depth completion
SiamRPN++阅读笔记
qq_41434501的博客
10-17 709
论文提出了一种名为SiamRPN++的框架，相比于其他Siamese系列框架，该框架可以使用深度神经网络作为backbone，可以使用较深的网络进行特征提取。也得益于使用较深的网络，则不同层可以表现出不同的语义特征，该框架将不同层的语义特征进行融合，共同作用得出了建议区域。同时，使用Depthwise Conv的方法，缩小了不同分支之间参数数据不平衡的问题，有效的提升了训练过程的稳定性，提高了收敛速度。在多个数据集上测试，取得了较好的效果，具备一定的泛化性。
CVPR-2018-SiamRPN++: Evolution of Siamese Visual Tracking with Very Deep Networks 阅读笔记
菜菜子hoho的博客
06-26 399
论文和代码地址：SiamRPN++: Evolution of Siamese Visual Tracking with Very Deep Networks (bo-li.info) 目录一、 动机二、 主要贡献三、 主要内容一个重要发现：原因分析：① 什么是平移不变性？Tips：② 什么是对称性？SiamRPN++网络架构：组成部分一 —— ResNet-driven Siamese Tracking：组成部分二 —— Layer-wise Aggregation：组成部分三 —— Depthwise
FlowNet：使用卷积网络学习光流
weixin_40287314的博客
01-13 1145
FlowNet: Learning Optical Flow with Convolutional Networks Alexey Dosovitskiy, Philipp Fischer, Eddy Ilg, P. Häusser, C. Hazırbaş, V. Golkov, P. Smagt, D. Cremers, Thomas Brox IEEE International Conference on Computer Vision (ICCV), 2015
卷积(convolution)和互相关(cross-correlation)
热门推荐
为实现四个现代化奋斗
03-08 5万+
现在大部分的深度学习教程中都把卷积定义为图像矩阵和卷积核的按位点乘。实际上，这种操作亦应该是互相关（cross-correlation），而卷积需要把卷积核顺时针旋转180度然后再做点乘。数学定义：卷积：互相关：在卷积层的反向传播中，其实是需要对前一层的误差（也叫敏感度sensitivity)做padding（补零）然后再和卷积核做真正的卷积操作，也就是需要把卷积核顺时针翻转180度。...
图像中卷积(Convolution)和相关(Correlation)的区别以及代码具体实现
地狱，乃是天堂必经之路！
04-13 1万+
卷积(Convolution)与相关(Correlation)说明 很多人都听说过卷积(Convolution)的大名，也有不少人听过相关(Correlation)。但是更多的人是搞不清楚二者的区别，甚至认为二者是同一个东西。有一份资料讲解的非常好，给大家提供一下链接去下载。本博客在最后将会提供完整的测试代码。 一维相关(Correlation) /** @brief 1D数据进行相...
卷积（convolution）与相关（correlation）（matlab 实现）
weixin_30396699的博客
11-11 1295
1. 卷积（convolution） 输出 y(n) 是作为在 x(k) 和 h(n−k)（反转和移位）重叠之下的样本和求出的。 考虑下面两个序列： x(n)=[3,11,7,0,−1,4,2]，−3≤n≤3 h(n)=[2,3,0,−5,2,1],−1≤n≤4 求卷积 y(n)=x(n)⋆h(n) matlab 实现： 如果是任意无限长序列，不可...
统计之 - 相关性(Correlation)分析
weixin_33751566的博客
10-11 7295
相关分析（correlationanalysis），相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度，是研究随机变量之间的相关关系的一种统计方法。相关关系是一种非确定性的关系，例如，以X和Y分别记一个人的身高和体重，或分别记每公顷施肥量与每公顷小麦产量，则X与Y显然有关系，而又没有确切到可由其中的一个去精确地决定另一个的程度，这就...
评论 6
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