feature map大小计算方法

最新推荐文章于 2025-05-09 12:56:25 发布

转载最新推荐文章于 2025-05-09 12:56:25 发布 · 916 阅读

本文详细介绍了卷积神经网络中特征图尺寸变化的计算方法，包括卷积层、池化层对图像尺寸的影响，并给出了具体的计算公式及示例。此外，还介绍了反卷积（deconvolution）的基本原理及其计算公式。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

（1）边长的计算公式是：
output_h =（originalSize_h+padding*2-kernelSize_h）/stride +1

输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小为：

（200-5+2*1）/2+1 为99.5，取99

（99-3）/1+1 为97

（97-3+2*1）/1+1 为97

研究过网络的话看到stride为1的时候，当kernel为 3 padding为1或者kernel为5 padding为2 一看就是卷积前后尺寸不变（卷积向下取整，池化向上取整）。

（2）如果是反卷积（deconvolution)

输入：2x2，卷积核：4x4，滑动步长：3，输出：7x7

公式：2x4-(4-3)x(2-1)=8-1=7

output_w= input_w*kernerl_size - (kernel_size - stride)*(input_w - 1)

或者： (2 - 1) * 3 + 4 = 7

output = (input_w - 1) * stride + kernel_size

图像的deconvolution过程如下，

(参考文章：http://blog.youkuaiyun.com/fate_fjh/article/details/52882134)