CNN详解（卷积层及下采样层）

最新推荐文章于 2025-07-10 21:24:22 发布
原创 最新推荐文章于 2025-07-10 21:24:22 发布 · 8.9w 阅读 · 138 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #CNN #机器视觉

CNN详解（卷积层及下采样层）

卷积神经网络包含卷基层、批量归一化层、下采样层、全连接层等。首先来介绍卷基层和下采样层。

1、卷基层（Convolution）

关于卷积层我们先来看什么叫卷积操作： 下图较大网格表示一幅图片，有颜色填充的网格表示一个卷积核，卷积核的大小为3*3。假设我们做步长为1的卷积操作，表示卷积核每次向右移动一个像素（当移动到边界时回到最左端并向下移动一个单位）。卷积核每个单元内有权重，下图的卷积核内有9个权重。在卷积核移动的过程中将图片上的像素和卷积核的对应权重相乘，最后将所有乘积相加得到 一个输出。下图经过卷积后形成一个6*4的图。
在了解了卷积操作后我们来看下卷积层的特点。

局部感知
在传统神经网络中每个神经元都要与图片上每个像素相连接，这样的话就会造成权重的数量巨大造成网络难以训练。而在含有卷积层的的神经网络中每个神经元的权重个数都时卷积核的大小，这样就相当于没有神经元只与对应图片部分的像素相连接。这样就极大的减少了权重的数量。同时我们可以设置卷积操作的步长，假设将上图卷积操作的步长设置为3时每次卷积都不会有重叠区域（在超出边界的部分补自定义的值）。局部感知的直观感受如下图：


最低0.47元/天 解锁文章

200万优质内容无限畅学
上采样,下采样,卷积,反卷积,池化,反池化,双线性插值【基本概念分析】
zik的博客
11-19 1万+
然而，确实有一些缩放方法能够增加图像的信息，从而使得缩放后的图像质量超过原图质量的。在右边的等式中的字母f(Q11)、f(Q12)、f(Q21)、f(Q22)、x1、x2、x都是已知的，求出的f(x,y1)与f(x,y2）即为R1、R2的像素值。那么就从左上角到右下角，生成卷积之后的矩阵的大小是(5-3+1)*(5-3+1)的矩阵，生成之后的矩阵的元素值，是之前的两个矩阵对应元素的乘积之和；在右边的等式中的字母y1、y2、y都是已知的，f(x,y1)与f(x,y2）即为上一个式子中求出的R1、R2像素值。
深度学习中的下采样层：探索子采样技术
StyVue的博客
09-26 250
下采样层在深度学习中起着重要的作用，它可以通过降低空间分辨率来减少计算量和参数数量，并提高模型的效率和泛化能力。的大小为[1, 1, 4, 4]，表示一个通道数为1，高度和宽度均为4的特征图。经过最大池化操作后，输出的特征图大小为[1, 1, 2, 2]。的大小为[1, 1, 4, 4]，经过自适应池化操作后，输出的特征图大小为[1, 1, 2, 2]。的大小为[1, 1, 4, 4]，经过平均池化操作后，输出的特征图大小为[1, 1, 2, 2]。，它指定了输出特征图的大小。参数指定了池化窗口的大小，
卷积和采样，上采样(UpSampling) 和 下采样(DownSampling)及其相关概念的简单介绍
weixin_50035038的博客
02-18 1028
卷积和采样，上采样(UpSampling) 和 下采样(DownSampling)及其相关概念的简单介绍
【AI深究】CNN中的常用池化与下采样（Pooling & Downsampling）——全网最详细全流程详解与案例（附Python代码演示）|数学表达、主流变体与架构创新、优缺点与工程建议、调优技巧
AI人工智能爱酱～你的AI学习好帮手～
07-10 1577
大家好，我是爱酱。本篇将会系统梳理卷积神经网络（CNN）中的池化（Pooling）与下采样（Downsampling）机制，包括原理、数学表达、主流方法、实际案例、可视化代码演示与工程应用建议，配合数学公式，帮助你全面理解CNN特征压缩与空间不变性的关键技术。 注：本文章含大量数学算式、详细例子说明及大量代码演示，大量干货，建议先收藏再慢慢观看理解。新频道发展不易，你们的每个赞、收藏跟转发都是我继续分享的动力！
Tensorflow 卷积神经网络（三）池化与采样
weixin_44056948的博客
01-31 1080
前一节的内容对卷积网络的padding，stride等概念有了介绍，这一节会需要回顾一下其中重要的几个概念包括池化（Pooling）、过采样（upsample）以及激活函数ReLU。首先我们根据一张经典的LeNet5网络来了解下降维也就是下采样。 可以看到，两个subsampling层将原来输入的28*28的图像数据见魏晨了14*14和5*5； 那么下采样是怎么实现的呢，实际上这个操作的执行就是池化，如上图所示，池化主要分为两种average个Max，在这里我们的卷积核大小设置为2*2，步长st
CNN 真的需要下采样（上采样）吗?
迈微AI研习社 · 号主
06-04 1103
我们不得不去想，下采样，上采样真的是必须的吗？可不可能去掉呢？
CNN卷积神经网络代码实现及解析（卷积层池化层全连接层）
2301_80397661的博客
07-10 1075
在第一层卷积层提取的基础特征上，第二层卷积层能够捕捉到更复杂的图像模式。这样做的目的是为了确保模型在训练时正确地应用特定的层行为。二维卷积核（输入通道数，输出通道数，卷积核大小，移动步长，输入图像的边界填充的像素数）这会影响模型中某些特定层的行为。二维最大池化层（池化窗口的大小，移动步长，输入图像的边界填充的像素数）全连接层将卷积层和池化层提取到的特征进行综合处理，最终。随着网络层数的增加，卷积层会逐渐提取。的特征，从而更好地进行图像识别任务。在初始层，卷积层提取图像中的。池化层通过减少特征图的尺寸，
一维CNN中的卷积层与池化层详解
在这一章节中，我们将介绍一维CNN中的卷积层与池化层的原理与作用。首先，我们会探讨研究主题背景，然后简要介绍一维卷积神经网络（CNN），最后给出本文的目录概述。让我们一起深入了解一维CNN中卷积层与池化层的...
CNN中的卷积层和池化层详解
# 1. 简介 ## 1.1 什么是卷积神经网络(CNN) 在深度学习领域，卷积神经网络（Convolutional Neural ...其中，卷积层用于提取图像的特征，池化层用于降采样和特征压缩，全连接层将特征进行分类，输出层给出最终的预
深度学习与计算机视觉入门教程_卷积神经网络CNN原理详解与手写数字识别实践_包含计算机眼中的图像表示卷积层激活层池化层全连接层等核心概念解析_提供完整的Python实现代码.zip
最新发布
08-16
CNN的核心是通过卷积层提取图像的空间特征，通过池化层减少参数的数量和计算量，以及通过全连接层进行高级特征的学习和分类决策。 图像表示是计算机视觉中的基础概念，它涉及将现实世界的图像转换为计算机能够处理...
卷积神经网络CNN基本概念（二）上采样 下采样
a1809032425的博客
07-22 2万+
卷积神经网络CNN基本概念（二）上采样 下采样 参考网址：https://blog.youkuaiyun.com/majinlei121/article/details/46742339 缩小图像：或称为下采样（subsampled）或降采样（downsampled） 主要目的有两个：1、使得图像符合显示区域的大小；2、生成对应图像的缩略图。 放大图像：或称为上采样（upsampling）或图像...
卷积层和池化层输出特征图大小的计算——以LeNet模型为例
t18438605018的博客
12-05 7405
1.LeNet网络模型结构 本文咱们以LeNet网络为例，介绍一下，如何卷积层和池化层输出特征图的大小。 LeNet算上输入层，有八层。分别是：输入层INPUT、C1卷积层、S2池化层（或者叫下采样）、C3卷积层、S4池化层（或者叫下采样）、C5卷积层、F6全连接层和最后一层输出层OUTPUT。 LeNet各层，输入图像大小、卷积核大小、步长和通道数以及输出图像大小，如本图所示。 2.特征图大小的计算 卷积层和池化层采用不同的公式。 a.卷积层 a.池化层 解释：OutSize为输出图像大小，
【深度学习】上采样，下采样，卷积
csdn_xkun的博客
03-31 2683
下采样的过程是一个信息损失的过程，而池化层是不可学习的，用stride为2的可学习卷积层来代替pooling可以得到更好的效果，当然同时也增加了一定的计算量。来讲，上采样和下采样的结构往往是对称的，我们可以在下采样做Max Pooling的时候记录下来最大值所在的位置，当做上采样的时候把最大值还原到其对应的位置，然后其余的位置补0,如下图所示。对于上采样，下采样，卷积，池化，后面会添加一些代码搭建网络的过程，并详细记录每一步每行代码的含义。（会用到卷积操作，其参数是可学习的）。1.插值，一般使用的是。
卷积与下采样结构
yunxinan的专栏
04-24 1861
后续补上理论和代码 *一、卷积结构： 普通卷积 空洞卷积 反卷积 PointConv（2019俄勒冈州立） OctConv（facebook） HetConv（） *二、下采采样结构： LeNet VGG16 VGG19 ResNet ResNet50与Darknet53 ResNeXt Xception SqueezeNet DenseNet Mobilnet：2017 shuffleNe...
【深度学习基本概念】上采样、下采样、卷积、池化
热门推荐
Lizhifun
03-09 8万+
上采样 概念 上采样（upsampling）：又名放大图像、图像插值； 主要目的是放大原图像,从而可以显示在更高分辨率的显示设备上； 上采样有3种常见的方法：双线性插值(bilinear)，反卷积(Transposed Convolution)，反池化(Unpooling)； 原理 上采样原理： 图像放大几乎都是采用内插值方法，即在原有图像像素的基础上在像素点之间采用合适的插值算法插入新的元素。 插值算法还包括了传统插值，基于边缘图像的插值，还有基于区域的图像插值。 下采样 概念
【深度学习】6-3 卷积神经网络 - 卷积层和池化层的实现
loyd3的博客
06-22 1295
比如，(10, 3, 5, 5) 形状的数组的元素个数共有 750 个，指定 reshape(10,-1)后，就会转换成 (10, 75) 形状的数组。卷积运算的滤波器处理的细节：将滤波器纵向展开为 1 列，并计算和 im2col 展开的数据的矩阵乘积，最后转换（reshape）为输出数据的大小。像这样，CNN 中处理的是 4 维数据，因此卷积运算的实现看上去会很复杂，但是通过使用下面要介绍的 im2col这个技巧，问题就会变得很简单。在上图中，为了便于观察，将步幅设置得很大，以使滤波器的应用区域不重叠。
上采样、下采样以及Pytorch中的卷积与反卷积(转置卷积)方法介绍(conv2d和convTranspose2d)
非晚非晚的博客
05-30 1万+
卷积操作可以压缩整合图片特征，让[通道, 宽, 高]分别为[c,h,w][c,h,w]的特征图片通过Conv2d。变为更多的通道(维度)cc，更小的尺寸[h,w][h,w]。也就是说，当输入为一组图片[n,c,h,w][n,c,h,w]格式时，输出也为[n,c,h,w][n,c,h,w]格式。转置卷积，也称为反卷积(deconvlution)和分部卷积(fractionally-strided convolution)。为卷积的逆操作，即把特征的维度压缩，但尺寸放大。注意它 不是真正意义上 的卷积的逆操作。
[概念]卷积、池化、下采样、反卷积、上采样
程序客栈
02-29 1736
卷积(conv)过程导致的图像变小是为了提取特征,特征提取阶段一般说的是卷积了 池化(pooling)是为了降低特征的维度,通常我们说的网络深度、尺度就和这个有关 池化又分最大池化和平均池化 虽然卷积和池化的结果都是图像或者特征图(feature map)变小，但是目的是不一样的 通常,池化后还要卷积,卷积提取出来的特征,是属于这一层或者说是这一深度又或者说是这一尺度的特征. 有时候特征...
评论 2
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