pytorch F.grid_sample用法

原创 已于 2022-03-29 12:17:38 修改 · 5.2k 阅读 · 5 ·
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：

#pytorch #计算机视觉

于 2022-03-29 11:54:06 首次发布
本文详细介绍了PyTorch中torch.nn.functional.grid_sample函数的使用方法，包括输入参数的意义、坐标归一化原理及双线性插值过程。通过具体实例展示了如何利用该函数从多通道图像中采样特定位置的像素值。

torch.nn.functional.grid_sample(input, grid, mode=‘bilinear’, padding_mode=‘zeros’, align_corners=None)

在这里插入图片描述
举个例子，input的shape为[1, 128, 124, 186],
可以知道N=1,C=128,Hin=124，Win=186N=1, C=128, H_{in}=124，W_{in}=186N=1,C=12

最低0.47元/天 解锁文章
f.grid_sample
爱CV
07-25 4103
grid_sample
理解Pytorch中的grid_sample函数
个人学习笔记
08-27 5063
pytorch中grid_sample的作用
pytorch中的F.grid_sample解释
qq_32425195的博客
07-11 2万+
1.一般用法 首先构造一个恒等采样的矩阵（左上角是（-1，-1），右下角是（1，1），记为grid），然后在该矩阵的基础上加上x,y方向的offset,构成一个新的采样矩阵（flow_grid)，然后使用F.grid_sample和flow_grid对原图做采样，得到trans_feature。 #构造恒等变换的采样矩阵，左上角是（-1，-1），右下角是（1，1），中间是（0，0） gridY = torch.linspace(-1, 1, steps = featSize).view(1, -1, 1,
pytorch F.grid_sample
无左无右的博客
10-07 402
import torch from torch.nn import functional as F inp = torch.ones(1, 1, 4, 4) inp = torch.randint(1, 10, (1, 1, 4, 4)).float() # 目的是得到一个 长宽为20的tensor out_h = 20 out_w = 20 # grid的生成方式等价于用mesh_gri...
一文彻底弄懂 PyTorch 的 `F.grid_sample`
weixin_41496173的博客
06-11 9434
通过上面的示例计算，我们可以看到如何将归一化坐标转换为输入张量的实际坐标，以及如何使用双线性插值计算采样点的值。具体示例展示了从输入张量和处采样的详细过程。通过双线性插值在输入张量中进行采样，即使坐标是小数，也能准确地计算出相应位置的值。这对于需要高精度变换和采样的任务非常有用。通过这种方法，我们可以实现高精度的图像处理和分析。
pytorch中的F.grid_sample使用方法及应用代码(align_corners参数详细解释)
weixin_42973210的博客
08-16 9535
本文介绍了pytorch中F.grid_sample()映射函数的使用方法，并且提供了align_corners参数的详细解释。最后提供了相应的映射代码。
PyTorch中grid_sample的使用方法
热门推荐
我的博客有点东西
07-24 6万+
grid_sample底层是应用双线性插值，把输入的tensor转换为指定大小。那它和interpolate有啥区别呢？ interpolate是规则采样（uniform)，但是grid_sample的转换方式，内部采点的方式并不是规则的，是一种更为灵活的方式。 torch.nn.functional.grid_sample(input, grid, mode=‘bilinear’, padding_mode=‘zeros’) input : 输入tensor， shape为 [N, C, H_in,
torch.grid_sample
duoyasong5907的博客
02-14 1786
grid_sample
pytorch中的grid_sample()使用
qq_25283239的博客
09-16 2817
torch.nn.functional.grid_sample(input, grid, mode='bilinear', padding_mode='zeros', align_corners=None) input: (N, C, H_in, W_in) grid: (N, H_out, W_out, 2) output:(N, C, H_out, W_out) 这里的 2 是固定的，表示grid对应input 中pixel的位置（x, y）两个维度。这里一般会将x和y的取值范围归一化到(..
4.grid_sample理解与使用
机器人视觉感知
12-04 3836
欢迎访问个人网络日志🌹🌹🌹🌹。
Pytorch 实现对每个样本的feature map进行裁剪 F.grid_sample
心之所向
08-22 1万+
# 生成batch N=2 ，宽高=HW=7的示例样本 import torch HW = 7 N = 2 x = torch.rand(N,3,HW,HW) x tensor([[[[ 0.6801, 0.5986, 0.8342, 0.2059, 0.6529, 0.4588, 0.6079], [ 0.3499, 0.9997, 0.4779, 0...
torch.nn.functional.grid_sample（F.grid_sample）函数的说明 & 3D空间中的点向图像投影的易错点
weixin_45657478的博客
11-28 5715
torch.nn.functional.grid_sample（F.grid_sample）函数的说明 & 3D空间中的点向图像投影的易错点介绍。由于二者有一定共通之处，因此放在一篇文章内介绍。
pytorch中的grid_sample()
weixin_43559672的博客
10-29 5571
torch.nn.functional.grid_sample 首先我们看pytorch文档中给出的描述： torch.nn.functional.grid_sample(input, grid, mode=‘bilinear’, padding_mode=‘zeros’, align_corners=None) Given an input and a flow-field grid, computes the output using input values and pixel location
F.grid_sample
北落师门XY的博客
01-19 5998
grid_sample用于在pytprch的tensor中做不规则采样，下例从一个5*5的空间a中进行4点采样，采样坐标系为（-1，1），grid取了4个角的点，为了便于观察，填充方式为取最接近的点的取值。可以看到，a空间左上角坐标为[-1,-1],右下角坐标为[1，1]。取值方式有‘nearest’、‘bilinear’。当grid为非平均间隔的坐标点时，即可实现不规则采样 import cv2 # import torch_geometric import torch impo...
pytorch中F.grid_sample函数实现warp功能记录
qq_41942564的博客
09-17 4875
光流算法中最重要的假设是亮度一致性，即： I1(x, y) = I2(x+u, y+v) 令x = (x, y), u = (u, v), w(x,u) = x + u, 则I2(x+u, y+v)的可以记作I2(w(x, y)). w即是光流算法中的warp函数，在pytorch中可以借助torch.nn...
F.grid_sample 用法解读
00000cj的博客
11-28 2485
的shape为\((N, H_{out}, W_{out}, 2)\)，则输出的shape为\((N, C, H_{out}, W_{out})\)。只支持二维（spatial）和三维（volumetric）数据，因为还包括batch_size和channel维度，即只支持4-D和5-D的输入。比如x=-1, y=-1表示输入的最左上角的位置，x=1, y=1表示输入的最右下角位置。的shape为\((N, C, H_{in}, W_{in})\)，指定了采样像素的位置，这里的位置是由。
pytorch F.affine_grid F.grid_sample探究
normol的博客
08-27 1万+
在pytorch框架中， F.affine_grid 与 F.grid_sample（torch.nn.functional as F）联合使用来对图像进行变形。 F.affine_grid 根据形变参数产生sampling grid，F.grid_sample根据sampling grid对图像进行变形。 需要注意，pytorch中的F.grid_sample是反向采样，这就导致了形变参数与直觉是相反的（后面有实验验证）（例如放射矩阵中的缩放因子是0.5，会使目标图像扩大两倍；平移为正会使目标图像往左上角
pytorch中torch.nn.functional.grid_sample()函数通俗易懂的理解
薛定谔的猫头咕咕咕
12-09 1万+
通俗易懂理解F.grid_sample
F.grid_sample采样
xx_xjm的博客
09-24 1859
学习
F.grid_sample内部实现原理
最新发布
07-31
PyTorch 中的 `F.grid_sample` 函数是用于执行空间采样操作的关键工具，广泛应用于图像处理、计算机视觉和深度学习任务中，例如图像变形、仿射变换、姿态估计等。其核心原理是通过给定的采样网格（grid），从输入特征图（input feature map）中提取对应的像素值，从而生成变换后的输出特征图。 ### 内部实现原理 `F.grid_sample` 的实现依赖于插值方法和坐标变换机制。具体来说，该函数接受两个输入参数：输入张量 `input` 和采样网格 `grid`。输入张量通常是一个四维张量 `(N, C, H, W)`，表示批量大小、通道数、高度和宽度；采样网格是一个四维张量 `(N, H_out, W_out, 2)`，表示输出图像中每个点在输入图像中的归一化坐标。 #### 1. 坐标归一化与映射 采样网格中的坐标通常是归一化的，范围在 `[-1, 1]` 之间，其中 `(-1, -1)` 表示输入图像的左上角，`(1, 1)` 表示右下角。这些坐标需要映射到输入图像的实际像素位置。具体来说，假设输入图像的尺寸为 `(H, W)`，则归一化坐标 `(x_norm, y_norm)` 被转换为实际坐标 `(x_pixel, y_pixel)`，计算公式如下： ```python x_pixel = (x_norm + 1) * (W - 1) / 2 y_pixel = (y_norm + 1) * (H - 1) / 2 ``` #### 2. 插值方法 `F.grid_sample` 支持多种插值方法，包括双线性插值（bilinear）、最近邻插值（nearest）和双三次插值（bicubic）。默认情况下使用双线性插值，其计算方式如下： - **双线性插值**：根据目标坐标附近的四个像素点进行加权平均，权重由距离决定。假设目标点为 `(x, y)`，其周围四个点为 `(i, j), (i+1, j), (i, j+1), (i+1, j+1)`，则插值结果为： ```python value = (1 - dx) * (1 - dy) * value(i, j) + dx * (1 - dy) * value(i+1, j) + (1 - dx) * dy * value(i, j+1) + dx * dy * value(i+1, j+1) ``` 其中，`dx = x - i`，`dy = y - j`。 - **最近邻插值**：直接选择离目标点最近的像素值，不进行加权计算。 - **双三次插值**：基于更复杂的多项式插值方法，考虑周围16个像素点的影响，计算量较大但结果更精确。 #### 3. 边界处理 当目标坐标超出输入图像边界时，`F.grid_sample` 提供了多种边界处理方式，包括： - `zeros`：超出边界的像素值设为0。 - `border`：超出边界的像素值设为最近的边界像素值。 - `reflection`：通过反射坐标来处理边界。 这些处理方式确保了在变换过程中不会出现无效值。 #### 4. 实现优化 在 PyTorch 内部，`F.grid_sample` 的实现通过高效的 CUDA 核函数进行加速，充分利用 GPU 的并行计算能力。同时，为了支持自动求导，其前向传播和反向传播过程都经过优化，确保梯度计算的准确性和效率。 ### 代码示例 以下是一个简单的 `F.grid_sample` 使用示例： ```python import torch import torch.nn.functional as F # 创建一个输入张量 (batch_size=1, channels=3, height=4, width=4) input = torch.randn(1, 3, 4, 4) # 创建一个采样网格 (batch_size=1, height=2, width=2, 2) grid = torch.tensor([[[[-0.5, -0.5], [0.5, 0.5]], [[-0.5, 0.5], [0.5, -0.5]]]]) # 执行 grid_sample 操作 output = F.grid_sample(input, grid, mode='bilinear', padding_mode='zeros', align_corners=True) print(output) ``` 在上述代码中，`mode` 参数指定插值方法，`padding_mode` 参数指定边界处理方式，`align_corners` 参数控制坐标映射的对齐方式。 ### 总结 `F.grid_sample` 的内部实现原理涉及坐标映射、插值方法和边界处理等多个方面，其高效性和灵活性使其成为图像变换任务中的重要工具。通过合理选择插值方法和边界处理方式，可以满足不同应用场景的需求。
评论 1
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

蓝羽飞鸟

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