图解卷积前后图像尺寸的关系

已于 2022-02-07 10:37:53 修改
阅读量9.7k 收藏 33
点赞数 8
文章标签： 计算机视觉 深度学习 卷积神经网络
于 2022-02-07 10:35:36 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/xuerishun/article/details/122804750
版权

1.步长1，无填充时图像卷积前后的尺寸关系(图1)

      H{out}=H{in}-K{h}+1

      W{out}=W{in}-K{w}+1

      输入尺寸:H{in}\times W{in}   输出尺寸:H{out}\times W{out}     卷积核:K{h}\times K{w}   不填充时，卷积会导致处理后的图像 尺寸变小

图1 步长1，无填充时卷积前后的尺寸关系

2.步长1，填充时图像卷积前后的尺寸关系(图2)

        H{out}=H{in}+2P{h}-K{h}+1         填充高度:P{h}

        W{out}=W{in}+2P{w}-K{w}+1      填充宽度:P{w}     

  填充可改变卷积处理后图像尺寸的大小，当2P等于K-1时保持图像尺寸不变，为抵消2P则K应为奇数，所以通常卷积核的尺寸为奇数

图2 步长1，填充时卷积前后的尺寸关系

3.步长S，填充时图像卷积前后的尺寸关系(图3) 

 H{out}=\frac{H{in}+2P{h}-K{h}}{S{h}}+1

W{out}=\frac{W{in}+2P{w}-K{w}}{S{w}}+1

步长不小于1，步长大于1时会导致卷积后的图像尺寸缩小

图3 步长S，填充时卷积前后的尺寸关系 

xuerishun
关注
  • 8
    点赞
  • 踩
  • 33
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于膨胀卷积和稠密连接的烟雾图像识别
07-07
为更好地提取烟雾图像的全局特征，提出一种基于膨胀卷积和稠密连接的烟雾识别方法。依次堆叠膨胀率不同的膨胀卷积，扩大卷积核的感受野，使得卷积核能够感知更广泛的烟雾图像区域，在不同膨胀卷积层之间设计稠密连接机制，促进卷积层之间的信息流通，实现烟雾图像局部特征和全局特征的融合。在此基础上，构造应用于烟雾识别的深度卷积神经网络，并在训练样本和标签的凸组合上完成训练以增强模型的泛化能力。实验结果表明，与 Alexnet、vGG16等方法相比，该方法具有较好的烟雾特征表达能力，能在提高烟雾识别效果的同时，减小模型尺寸效果，其实用性较好。
SparseConvNet:子流形稀疏卷积网络
05-10
子流形稀疏卷积网络 这是用于训练子流形稀疏卷积网络的PyTorch库。 空间稀疏性 该库将引入PyTorch。 此外，它引入了子流形稀疏卷积，可用于构建计算有效的稀疏VGG / ResNet / DenseNet样式的网络。 通过常规的3x3卷积，活动（非零）站点的集合将Swift增长： 通过子流形稀疏卷积，活动位点的集合保持不变。 活动站点查看其活动邻居（绿色）；活动站点查看活动邻居。 非活动站点（红色）没有计算开销： 堆叠子流形稀疏卷积以构建VGG和ResNet类型的ConvNet，信息可以沿着活动点的线或表面流动。 断开连接的组件起初不会进行通信，尽管它们会由于跨步操作（池化或卷积）的影响而合并。 另外，在网络中添加ConvolutionWithStride2-SubmanifoldConvolution-DeconvolutionWithStride2路径可以使不相交的活动
卷积过程中，卷积过程以及卷积后的大小，还有卷积参数多少，卷积的作用
坚持的力量
07-12 1230
卷积作为神经网络的基本计算步骤，我们需要彻底的了解卷积过程中一些细节。 卷积作用 我现在所说的都是神经网络中，卷积的基本意义，没有涉及到更低层的意义解释，不过在文末，我链接了一些论坛中阅读量很高的解释文章，有兴趣的可以看看。 对于神经网络中，做卷积，是在全连接网络基础之上发展而来的，全连接网络参数太多，优化比较困难，容易过拟合，而卷积过程能够对原始图像进行特征提取，把提取到的特征再喂给全连接网络，...
卷积操作后输出尺寸如何变化？
shuijinghua的博客
04-29 8774
输入图片尺寸:WXHX3 假如卷积时的各参数为: 'kernel_size' : #F,单个整数或由两个整数构成的list/tuple,卷积核的宽度和长度, 'strides' : S=1,#单个整数或由两个整数构成的list/tuple,为卷积的步长,如果为单个整数,则表示在各个空间维度 # 的相同步长,任何不为1的strides均与任何...
卷积层输出大小尺寸计算
aaaaPIKACHU的博客
01-07 4211
padding的两种方式 “SAME” 和 “VALID”，padding = “SAME”时，会在图像的周围填 “0”，padding = “VALID”则不需要，即 P=0。padding = “SAME”： kernel_size=1时，P=0；kernel_size=3时，P=1；kernel_size=5时，P=2，以此类推。一般会选“SAME”，以来减缓图像变小的速度，二来防止边界信息丢失（即有些图像边界的信息发挥作用较少）。长宽不等时，卷积之后的计算公式也是如此，只需分别计算即可。
实例理解卷积与池化操作前后的图像大小变化以及padding参数的含义
heshuaimin的博客
03-23 3392
** 实例理解卷积与池化操作前后的图像大小变化以及padding参数的含义 ** 引言 最近因为毕设在学卷积神经网络，一直比较困惑卷积或者池化操作以后图像如何发生变化。在网上查了不少资料，可以找到一些公式，但是并没有详细说明使用情境且很少实例讲解。因此我总结前人的工作，整理成一个博客，算是自己学习的一个记录，也希望能够帮助到一些CNN学习者。 我参考的博客有padding填充same 和vali...
2021-05-24 卷积神经网络基础
weixin_51501199的博客
05-24 1259
人工智能 卷积神经网络基础 卷积计算 卷积是数学分析中的一种积分变换的方法，在图像处理中采用的是卷积的离散形式。这里需要说明的是，在卷积神经网络中，卷积层的实现方式实际上是数学中定义的互相关 （cross-correlation）运算，与数学分析中的卷积定义有所不同，这里跟其他框架和卷积神经网络的教程保持一致，都使用互相关运算作为卷积的定义，具体的计算过程如图7所示。 卷积核的计算过程可以用下面的数学公式表示，其中aaa代表输入图片，bbb代表输出特征图，www是卷积核参数，...
卷积神经网络系列之卷积/池化后特征图大小怎么计算？？
橙子Blue不加冰
12-16 9370
1.卷积后的大小： W：矩阵宽，H：矩阵高，F：卷积核宽和高，P：padding（需要填充的0的个数），N：卷积核的个数，S：步长 width：卷积后输出矩阵的宽，height：卷积后输出矩阵的高 width = （W - F + 2P）/ S + 1 height = （H - F + 2P） / S + 1 当conv2d(), max_pool() 中的 padding=SAME时，width=W，height=H，则保证输入输出尺寸图片大小相等，当padding=‘valid’时，P=0，相当于不填
卷积层和池化层之后图片尺寸改变
热门推荐
u011613695的博客
04-11 1万+
最近碰到的总是TF中的参数问题，其中一个padding的参数值设置觉得比较重要。tf中padding提供两种填充方式：VALID和SAME。 对于VALID，输出的形状计算如下： 对于SAME，输出的形状计算如下： 其中，WW为输入的size，F为filter的size，S为步长，向上取整。 因为网上很多文章在讲的时候是按照一维二维区分开的，一维中填充先判定填充数是否为奇数，如果是奇数的话多出...
五、卷积神经网络CNN8（不同卷积后图像大小计算）
myani的博客
12-09 2935
不同卷积后图像大小计算
如何计算卷积后的图像尺寸
biubiusion的博客
04-08 5229
N = (W - F + 2*P)/S+ 1 其中： N：输出图像的尺寸N*N； W：输入图像的尺寸W*W； F：卷积核（filter）的边长F*F； S：卷积的步长(stride)； P：padding大小； 若想通过设置padding保证卷积前后图像大小不变，可令 N = W，解出 p（即padding = (W+1)/2 向上取整即可）； ...
反卷积图像应用
05-10
详细讲解卷积与反卷积，可以应用于图像去模糊，详细讲解了一维信号反卷积和二维信号反卷积
基于多列卷积神经网络的人群计数算法
07-07
为解决单幅图像中的人群遮挡和尺度变化问题，提出一种基于多列卷积神经网络的人群计数算法。利用具有不同尺寸感受野的卷积神经网络（CNN）和特征注意力模块自适应提取多尺度人群特征，引入可变形卷积增强CNN网络空间几何形变学习能力并优化特征图，从而生成高质量的密度图。 Shanghai tech和UCF_CC_50数据集上的实验结果表明，该算法能学习输入图和人群密度图之间的映射关系，且计数准确性高、鲁棒性强。
Pytorch中膨胀卷积的用法详解
01-20
卷积和膨胀卷积 在深度学习中，我们会碰到卷积的概念，我们知道卷积简单来理解就是累乘和累加，普通的卷积我们在此不做赘述，大家可以翻看相关书籍很好的理解。 最近在做项目过程中，碰到Pytorch中使用膨胀卷积的情况，想要的输入输出是图像经过四层膨胀卷积后图像的宽高尺寸不发生变化。 开始我的思路是padding=’SAME’结合strides=1来实现输入输出尺寸不变，试列好多次还是有问题，报了张量错误的提示，想了好久也没找到解决方法，上网搜了下，有些人的博客说经过膨胀卷积之后图像的尺寸不发生变化，有些人又说发生变化，甚至还给出了公式，按着他们的方法修改后还是有问题，报的错误还是没有变。一时不知道怎
卷积稀疏 图像融合.zip
05-08
这是基于卷积稀疏表征的图像融合源码。下载后直接解压运行。
盲卷积复原图像
03-30
图像盲卷积复原图像，这是加入噪声之后复原出来的，效果比较好，可以参考一下
矩阵卷积与图像处理.pptx
12-06
矩阵卷积 图像处理 矩阵卷积 图像处理 矩阵卷积 图像处理
基于AOD 卷积网络图像去雾实战.zip
01-15
之后，我训练了 AOD 卷积网络来进行图像去雾，并对数据集图片做一定的处理，增加了网络的鲁棒性，去雾效果也很不错。暗原色先验的去雾算法使用 MATLAB 实现，使用 MATLAB 的 GUI 设计了用户界面；AOD 卷积网络使用 ...
juanji.zip_settingztt_信号卷积_卷积_图像卷积
07-15
完成两信号卷积计算，做出卷积之前信号的图像以及卷积后的输出图像
为什么卷积提取图像的特征之间存在线性关系
最新发布
06-11
卷积核提取图像特征的过程本质上是一种线性滤波操作，因此卷积提取的图像特征之间存在线性关系。具体来说，卷积操作可以看做是将卷积核与图像矩阵的每一个像素点进行逐元素相乘，然后求和得到输出特征图的过程。由于卷积核的权重是固定的，因此每个输出特征图的像素值都可以看做是卷积核与输入图像矩阵的一个线性组合。因此，不同的特征之间存在线性关系。这也是为什么需要使用激活函数对卷积层的输出进行非线性变换，从而提高网络的表达能力和泛化能力。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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