CNN特征图尺寸及感受野计算方式

最新推荐文章于 2024-07-30 19:46:18 发布
原创 最新推荐文章于 2024-07-30 19:46:18 发布 · 1.9k 阅读 · 2 ·
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：

#卷积神经网络 #卷积

本文详细解析了卷积神经网络中普通卷积和空洞卷积的特征图尺寸计算公式，以及不同层感受野的大小计算方法，为理解深度学习模型提供理论基础。
部署运行你感兴趣的模型镜像

1.普通卷积

特征图尺寸：o=[(i-k+2p)/s]+1
其中o为output尺寸，k为kernel_size，i为input尺寸，s为步长，p为padding

感受野：
a)第一层卷积层的输出特征图像素的感受野的大小等于滤波器的大小；
b)深层卷积层的感受野大小和它之前所有层的滤波器大小和步长有关系；
c)计算感受野大小时，忽略了图像边缘的影响，即不考虑padding的大小。
在这里插入图片描述

2.空洞卷积

特征图尺寸：o=[(i-k+2p-(k-1)*(r-1))/s]+1
其中o为output尺寸，k为kernel_size，i为input尺寸，s为步长，p为padding，r为膨胀率,r=1为普通卷积。

空洞卷积卷积核尺寸：f=(k-1)*(r-1)+k
其中k为卷积核尺寸，r为膨胀率

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.15

TensorFlow-v2.15

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。 它提供了一个灵活的平台,用于构建和训练各种机器学习模型

CNN卷积层的输出feature map的尺寸计算
大白机器人的博客
03-15 7556
output_size=( input_size + pad * 2 - conv_size ) / stride + 1输入：N0*C0*H0*W0 输出：N1*C1*H1*W1 输出的feature map大小： H1=H0+2×pad−kernel_sizestride+1 W1=W0+2×pad−kernel_sizestride+1 注：当stride为1时，若pad=kernel_si...
CNN图像的尺寸和参数计算（深度学习）
左手coding，右手cooking
05-06 5738
分享一些公式计算张量的尺寸，以及CNN中参数的计算。 以Alexnet网络为例，以下是该网络的参数结构图。 AlexNet网络的层结构如下： 1.Input: 图像的尺寸是2272273. 2.Conv-1: 第1层卷积层的核大小11*11，96个核。步长(stride)为4，边缘填充（padding）为0。 3.MaxPool-1: 池化层-1对Conv-1进行池化，尺寸为3*3，步长为2. 4.Conv-2: 核尺寸：5*5，数量：256，步长：1，填充：2 5.Max
卷积网络中特征图尺寸的一些处理方法
m0_55384957的博客
09-10 2102
卷积网络中特征图尺寸的一些处理方法
关于CNN中特征图大小的计算公式
weixin_30763397的博客
04-01 3173
先给出的卷积层输出大小的的计算公式（这里假设输入矩阵和卷积核都是方阵，不是方阵其实也类似）： n’= (n-k)/s+1 其中，n’是卷积层输出的size，n是输入方阵的size, k是卷积核的size, s是移动的步长。即输入n*n的矩阵，用k*k的卷积核对输入进行卷积，得到大小为n’*n’的特征图。 一直疑惑要怎么理解这个式子，虽然验证过多个卷积计算，证明feature map的...
CNN卷积核输出特征图大小的计算（长，宽，维度）和权值共享
FiveStarsGeneral的博客
11-29 1万+
概要 CNN在进行卷积操作的时候，可以认为是输入图像（Input）与卷积核（Kernel）的对应加权求和。其中，卷积的时候，又可分为输出图像（Output）比输入图像缩小的卷积（VALID）即常规情况，与卷积后长宽不变的情况（SAME），还有一种情况是FULL模式，这种不经常用。 维度就是图像的通道数，想象一个通道为3的RGB图像，维度=3。也可以把input想象成一个立方体，有长宽高属性，如下图...
CNN中感受野Receptive Field的计算
随风秀舞（diyoosjtu）
05-17 940
1. 感受野 The receptive field is defined as the region in the input space that a particular CNN’s feature is looking at (i.e. be affected by). 感受野是在输入空间内，CNN提取的特征的来源区域的大小。 感受野可以用其中心位置和尺寸来描述。 在一个感受野内，越靠近中...
深度学习中CNN网络的感受野计算（Calculating Receptive Field of CNN）
jsk_learner的博客
10-18 1297
CNN的感受野计算过程，以AlexNet为例感受野概念感受野计算公式—从第一层开始计算AlexNet感受野计算过程 主要参考博客1 主要参考博客2 公式来源链接 感受野概念 在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上每个像素点在原始图像上映射的区域大小，这里的原始图像是指网络的输入图像，是经过预处理（如resiz...
52.CNN感受野计算 - 喵喵帕斯 - 博客园1
08-03
**例2：感受野计算** 假设有一个简单的网络结构，其中两个连续的层都有步长s=2和过滤器大小k=3，没有填充p=0。第一层（layer1）对输入层（layer0），感受野是 `(1-1) * 2 + 3 = 3`。第二层（layer2）对输入层的感受...
阅读：CNN感受野计算和可视化
clover_my的博客
01-10 1930
阅读：CNN感受野计算和可视化 感受野：输入空间中一个特定CNN特征的范围区域（The receptive field is defined as the region in the input space that a particular CNN’s feature is looking at），一个特征的感受野可以采用区域的中心位置和特征大小进行描述。即，在卷积神经网络CNN中，决定...
通俗理解CNN感受野的计算方法
daimashiren的博客
05-03 1373
现在要计算输出的这个特征图上的每个点对应输入的6x6的图像上多大范围的像素点（感受野）。很直观的，输出的2x2图像上每个点来自于中间特征图的3x3区域。图片来自于https://paddlepedia.readthedocs.io/en/latest/tutorials/CNN/convolution_operator/Convolution.html。因此我们得到输出的2x2的特征图上的点对应于原始特征图上5x5范围的像素点，即感受野为5x5。那么中间的特征图上点影响多大范围的来自第一个特征图像素点？
卷积运算和运算后特征图大小计算2
12-21
every blog every motto: Stay hungry, stay foolish. 0. 前言 主要讲下实际卷积运算中关于padding=same和padding=valid的输出特征图的大小，以及池化后特征图的大小。 1. 正文 1. 卷积运算 特别说明：卷积（除不尽）向下取整！！！！ 特别说明：卷积（除不尽）向下取整！！！！ 特别说明：卷积（除不尽）向下取整！！！！ 关于卷积的基本运算参照卷积运算和运算后特征图大小计算1 参数定义： 输入大小：intputH 卷积核大小：K 步长：S 填充：P 输出图像大小：outputH 1.1 padding=valid 不进行填充，
nn.Conv2d参数详解及输入特征图尺寸的计算
热门推荐
蜗牛在奔跑的博客
05-06 1万+
kernel_size：卷积核的大小，通常为正方形，可以是单个整数表示正方形大小，也可以是一个元组（tuple）表示不同宽度和高度的大小，如 (3, 5) 表示宽度为 3 个像素，高度为 5 个像素的卷积核；需要注意的是，卷积层的参数选择也会影响特征图的大小。比如，在使用大尺寸的卷积核进行卷积时，会使得特征图的尺寸减小，而使用小尺寸的卷积核则会使得特征图的尺寸增加。其中，W 表示输入特征图的宽度，H 表示输入特征图的高度，K 表示卷积核的大小，P 表示 padding 的大小，S 表示卷积核的步幅。
CNN的特征图、感受野、参数量、运算量计算
Mintary的博客
09-15 306
卷积神经网络CNN被LeCUN提出以后，出现了许多改进的卷积计算，在空间上有空洞卷积（dilated convolution），在通道上有分组卷积（group convolution）、深度可分离卷积（depth-wise separable convolution）。下面总结一下，不同的卷积运算，如何计算特征图大小、感受野尺度、参数量、运算量。
CNN学习（6）：卷积神经网络CNN动态演示和输出特征图计算公式
共同学习，共同进步。
05-25 4014
卷积神经网络中动态图展示，以及常用卷积运算中的输出特征图大小的规模运算
神经网络模型的特征图尺寸使用公式计算不为整数的情况：卷积操作向下取整；池化操作则向上取整。
qq_43449643的博客
03-28 1003
卷积和池化层的特征图尺寸计算公式几特殊情况处理
特征图空间尺寸的计算
最新发布
New_Bear_1024的博客
07-30 899
在卷积神经网络中，特征图的空间尺度（空间尺寸）指的是特征图的高度和宽度。
卷积神经网络中特征图大小计算公式总结
L888666Q的博客
01-16 1万+
W：输入特征图的宽，H：输入特征图的高，K：卷积核宽和高，Ppadding（需要填充的0的个数），N：卷积核的个数，S：步长width_out：卷积后输出特征图的的宽，height_out：卷积后输出特征图的高。
[CNN特征图尺寸计算]
condom10010的博客
04-20 233
这个博主写的很好理解，推荐一下。
Pytorch学习笔记（五）——CNN中卷积和池化操作后的特征图大小计算方法
qq_23345187的博客
11-15 1万+
一、卷积操作 注意：卷积操作需要向下取整 假设： 设输入图像尺寸为WxW，卷积核尺寸为FxF，步幅为S，填充为P,经过该卷积层后输出的图像尺寸为NxN,计算公式为： N=W−F+2PS+1 N=\cfrac {W-F+2P} {S}+1 N=SW−F+2P​+1 设输入图像尺寸为WxH，卷积核的尺寸为FxF，步幅为S，图像深度(通道数)为C，填充为P，则： W=W−F+2PS+1 W=\cfrac {W-F+2P} {S}+1 W=SW−F+2P​+1 H=H−F+2PS+1 H=\cfrac {H-F+2
CNN感受野计算方法与Python实现详解
本文围绕“CNN感受野计算”这一主题，深入剖析了感受野的定义、计算方法、实际意义以及其在经典网络结构中的应用，并结合源码实现进行了系统阐述。 首先，感受野指的是在卷积神经网络中，输出特征图上的某一个神经...
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

打赏作者

brave_555

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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