分割3-转置卷积可逆吗？

已于 2023-07-13 17:23:00 修改
阅读量275 收藏
点赞数
分类专栏： 分割 Segmentation 文章标签： 深度学习 人工智能 计算机视觉
于 2023-07-13 17:20:39 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/xiaoyyidiaodiao/article/details/131705741
版权

上一话

分割2——语义分割评价指标https://blog.csdn.net/XiaoyYidiaodiao/article/details/125149509?spm=1001.2014.3001.5502

转置卷积不是卷积的逆操作，并且转置卷积是卷积操作！

这是因为普通卷积的操作图 1.

图1
图1

其卷积可等效为图 2.

图 2
图2

其卷积操作可等效为图 3.

图3.a)
图3.b)

  

图 2. 卷积 还可等效为图 4. 扩展为图 5. -> 图 6.

图4
图5​​​​​​

图6

输入特征图、卷积与输出特征图展平后可整理成：I^{1\times16}\times C^{16\times4}=O^{1\times4}

接下来出现一个问题，已知矩阵C^{16\times4}与矩阵O^{1\times4}能否反向求得矩阵I^{1\times16} 

答案是不能。当然，如果能在等号左右两边乘上C^{16\times4}的逆矩阵，则能反向求得矩阵I；但是一个矩阵能有逆矩阵的前提条件是此矩阵必是方阵，但是C不为方阵，则不能反向求得 I（没法通过矩阵C与矩阵O 还原矩阵I ）。

这样也就说明了转置卷积并不是卷积的逆操作！并且也说明了一般情况下，卷积不可逆！

接下来，放宽条件，我们只想通过 C^{16\times4} 与 O^{1\times4} 得到一个与 I^{1\times16} 大小相同的矩阵，能行吗？

答案是能行。只需要在等号左右两边乘上矩阵 C 的转置 (C^{4\times 16} ) 即可！

O^{1\times 4}\times C^{T}(C^{4\times 16})=I^{1\times 16}\times C^{16\times 4}\times C^{T}(C^{4\times 16})=P^{1\times 16}且 P\neq I

此时的这个P我们reshape成4\times 4的矩阵, 便是我们真正的转置矩阵，也就是我们所说的转置卷积， C^{T}可以是 C上下左右翻转得到！

参考文献

转置卷积https://www.bilibili.com/video/BV1mh411J7U4/?spm_id_from=333.788

下一话

FCN

未完...

游客26024
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习19:反卷积算法
weixin_39504171的博客
01-08 4078
机器学习19:反卷积算法（转载和整理） 在整理全卷积网络的过程中，被反卷积的概念困扰很久，于是将反卷积算法单独整理为一篇博客，本文主要转载和整理自知乎问题如何通俗易懂地解释反卷积？中的高票答案。 1.反卷积概述： 应用在计算机视觉的深度学习领域，由于输入图像通过卷积神经网络(CNN)提取特征后输出的尺寸往往会变小，从而导致有些情况例如在...
nn.ConvTransposed2d()-转置卷积过程详解
weixin_42112050的博客
05-22 1万+
转置卷积过程详解 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。卷积的动态图解可以点此链接查看。 将一个4X4的输入通过3X3的卷积核核进行普通卷积后（无padding,stride=1）,将得到2X2的输出。而转置卷积将一个2X2的输入通过同样的3X3的卷积核，将得到一个4X4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，
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
转置卷积(transposed-convolution)
m0_56312629的博客
03-21 1639
本文介绍了转置卷积，介绍了转置卷积的背景、对反卷积的误解以及转置卷积的计算，最后用代码实现了转置卷积，并比较了常规卷积与转置卷积在padding、stride和通道参数的不同1.
深入浅出理解转置卷积Conv2DTranspose
IT菜鸟
12-28 2967
深入浅出理解转置卷积Conv2DTranspose
转置卷积(反卷积)--深度理解
zzylalalala的博客
11-29 270
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。
图解转置卷积原理
laonafahaodange的博客
03-12 5002
声明：本文大部分搬运自【机器学习】详解 转置卷积 (Transpose Convolution) 感谢博主花与人间事同，本人只是在博主原创文章上做补充以及添加一些自己的理解。 1 转置卷积的背景 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。而对于某些特定任务 (如图像分割和图像生成等)，需将图像恢复到原尺寸再操作。这个将图像由小分辨率映射到大分辨率的尺寸恢复操作，称为上采样 (Upsample)，如下图所示： 上采样方法有很多，详见【图像处理】详解 最近邻插值、线性插值、双线性插值、双三次插值
深度解析转置卷积，理解转置卷积的原理
ThreeStones1029的博客
12-27 2072
详细分析转置卷积原理，以及转置卷积运算
抽丝剥茧，带你理解转置卷积（反卷积）
史丹利复合田的博客
02-18 2万+
这里写自定义目录标题转置卷积普通卷积（直接卷积）转置卷积形象化的转置卷积欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FL...
CNN_deconvolution-master.zip
12-24
去卷积网络，也称为转置卷积或逆卷积，是CNN中的一种反向操作，主要用于图像生成、上采样和特征映射的扩展。在本压缩包"CNN_deconvolution-master.zip"中，可能包含的是一个关于如何使用去卷积层的项目或教程。 去...
sinc函数卷积_抽丝剥茧，带你理解转置卷积（反卷积）
weixin_33418394的博客
12-30 1162
前言转置卷积又叫反卷积、逆卷积。不过转置卷积是目前最为正规和主流的名称，因为这个名称更加贴切的描述了卷积的计算过程，而其他的名字容易造成误导。在主流的深度学习框架中，如TensorFlow，Pytorch，Keras中的函数名都是conv_transpose。所以学习转置卷积之前，我们一定要弄清楚标准名称，遇到他人说反卷积、逆卷积也要帮其纠正，让不正确的命名尽早的淹没在历史的长河中。我们先说一下为...
MATLAB算法实战应用案例精讲-【人工智能】语义分割（补充篇）(附matlab代码实现)
qq_36130719的博客
01-01 1743
语义分割是从粗推理到精推理的自然步骤：原点可以定位在分类，分类包括对整个输入进行预测。下一步是本地化/检测，它不仅提供类，还提供关于这些类的空间位置的附加信息。最后，语义分割通过对每个像素进行密集的预测、推断标签来实现细粒度的推理，从而使每个像素都被标记为其封闭对象矿石区域的类别。更具体地说，语义图像分割的目标是给图像中的每个像素都贴上对应的一类所代表的内容的标签。因为我们要对图像中的每个像素进行预测，所以这个任务通常被称为密集预测。
深度学习100问27:什么是截断的BPTT
最新发布
yyq916的博客
08-31 253
截断的 BPTT 呢，先确定一个合适的长度，就好比决定每一小段故事有多长。这种方法在很多地方都大显身手哦，比如自然语言处理里训练语言模型、搞机器翻译的时候，就像一个得力的小助手。想象一下，你有一个超级长的故事要讲，一口气从头讲到尾可太难啦，而且很容易把自己绕晕。这时候呢，截断的 BPTT 就像把这个长故事分成一小段一小段来讲。在循环神经网络训练那些长长的序列数据的时候，如果直接像个“愣头青”一样用传统方法，那计算量会大得吓人，还可能出现梯度消失或者爆炸的情况，就像烟花放一半突然熄火或者炸得不可收拾。
【王树森】RNN模型与NLP应用(2/9)：文本处理与词嵌入（个人向笔记）
hxdxiaoming的博客
08-29 792
本次课将使用下列数据集：关于电影评价的数据集。
深度学习基础—池化
sniper_fandc的博客
08-30 443
最大池化的直观理解就是区域内最大值可能就是我们想要提取的重要特征，比如边缘检测，通常边缘附近是数值变化较大的地方，比如由亮变暗，像素值由大变小，如果过滤器覆盖了边缘，就会找到像素值大的特征值提取出来，从而保留重要的边缘信息，减少不是边缘的冗余信息。假设输入的图片是4*4的灰度图片（二维，只有一个通道），过滤器选择2*2，步长选择2，这样的效果就是将4*4的图片分为4块，因此结果是2*2的图像。由于卷积运算的重叠性，很多计算的特征是冗余的，而池化就可以将较大且特征较弱的图转化为较小且特征较强的图。
【Datawhale X 李宏毅苹果书 AI夏令营】《深度学习详解》Task1 打卡
ljj的博客
08-26 1021
本文是【Datawhale X 李宏毅苹果书 AI夏令营】的Task1学习笔记打卡。
【王树森】RNN模型与NLP应用(1/9)：数据处理基础（个人向笔记）
hxdxiaoming的博客
08-29 305
为什么国籍要用One-Hot编码而不是直接用数字编码更节省存储空间？
【开发实战】QT5 + 深度学习六大应用案例
关注微信公众号【OpenCV学堂】
08-29 458
考虑到硬件普适性与高性价比，对于小于30MB的模型，OpenVINO + CPU的解决方案都会是比较合理跟高性价比的。现在OpenVINO2024最新版本还支持大模型+CPU的部署方案，只要几行代码即可完成。它们都支持Python与C++ SDK，支持多种模型压缩与量化机制，支持模型同步与异步推理。QT5 + OpenCV4.8 开发与配置环境搭建，请看博客文章。四 健身智能 - 自动引体向上计数。二 图像修复与自动水印移除。一 人像抠图 背景提取与替换。三 实时人脸识别应用。六 电子围栏语音报警。
对称矩阵一定可逆吗？
05-30
不一定。 对称矩阵是指矩阵的转置矩阵等于它本身，即A=A^T。如果对称矩阵A可逆，那么它的逆矩阵A^-1也是对称矩阵。但是，并非所有的对称矩阵都是可逆的。 一个对称矩阵是可逆的充分必要条件是它的所有特征值都不为0。如果对称矩阵A存在一个特征值为0，那么它的行列式det(A)为0，因此A不可逆。 举个例子，下面这个对称矩阵就不可逆，因为它的特征值为0： ``` A = [ 1 2 3 ] [ 2 4 6 ] [ 3 6 9 ] ``` 因此，对称矩阵不一定可逆，它的可逆性取决于其特征值是否都不为0。
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