卷积之后特征图计算公式和空洞卷积之后特征图计算公式

最新推荐文章于 2024-05-25 21:20:39 发布
最新推荐文章于 2024-05-25 21:20:39 发布
阅读量3k 收藏 7
点赞数 2
分类专栏： 深度学习
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.youkuaiyun.com/qq_34291583/article/details/99545752
版权
本文详细解析了卷积神经网络中特征图尺寸的计算方法，包括普通卷积、空洞卷积及池化后的特征图尺寸计算公式，是理解与设计CNN结构的重要参考资料。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

定义：w-图片宽度 h-图片高度 s-卷积步长 p-补零的个数 f-卷积核的大小 d-空洞卷积参数
普通卷积之后特征图计算公式：
w(out) = ( w(in) - f + 2p )/s + 1
h(out) = ( h(in) - f + 2p )/s + 1
进行空洞卷积后的计算公式：
w(out) = (w(in) + 2p -1 -(f - 1)*d)/s + 1
h(out) = (h(in) + 2p -1 -(f - 1)d)/s + 1
进行池化后的特征图计算公式：
w(out)= (w(in)-f+2p)/s + 1

空洞卷积后输出特征图的尺寸计算
yykkkybs的博客
06-15 4346
空洞卷积的等效卷积核（感受野）大小： ke = k + (k − 1)(r − 1) k为原始卷积核大小，r为dia rate参数。 输出计算同卷积运算。 输出特征大小计算 out = ( in − F + 2 ∗ pading ) / stride +1 注意：这里的F就是上面的感受野，这个公式也适用于常规的卷积 ...
正常卷积与空洞卷积输出特征图与感受野大小的计算
qq_43232545的博客
11-29 7080
空洞卷积的计算过程 空洞卷积（Dilated convolutions）在卷积的时候，会在卷积核元素之间塞入空格，如下图所示： 空洞卷积过程，蓝色表示输入，绿色表示输出 这里引入了一个新的超参数 d，(d - 1) 的值则为塞入的空格数，假定原来的卷积核大小为 k，那么塞入了 (d - 1) 个空格后的卷积核大小 n 为： 进而，假定输入空洞卷积的大小为 i，步长 为 s ,空洞卷积后特征图大...
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。
卷积、池化后特征图大小计算公式
weixin_44928646的博客
03-15 2247
卷积：(n+2p-f)/s+1 池化：(n-f)/s+1
空洞卷积、普通卷积、反卷积后的特征图尺寸、感受野的计算及公式推导，含padding参数
种一棵树最好的时间是十年前，其次是现在
04-04 3184
1.首先是输出特征图的尺寸计算方法：（采用向下取整的方法） SOUT=⌊SIN+2pading−Skernalstep⌋+1(1) S_{OUT}=\lfloor\frac{S_{IN}+2pading-S_{kernal}}{step}\rfloor+1\qquad(1) SOUT​=⌊stepSIN​+2pading−Skernal​​⌋+1(1) 即特征图输出尺寸，与特征图输入尺寸，步长，padding及卷积核大小有关。 2，空洞卷积与普通卷积核大小的等效公式： 空洞数n的含义为，原始图片上每n行或n
卷积输出特征图大小计算公式
weixin_43743847的博客
06-06 281
如果添加了步幅 stride的话，那么公式为（n+2p-f）/stride+1 ，如果商不是整数，那么向下取整。如果想要输出大小和输入大小尺寸一样，那么就让padding=（f-1）/2。如果是没有padding填充，那么公式为n-f（滤波器大小)+1。如果有padding填充，那么公式为 n+2p-f+1。
Pytorch: conv2d、空洞卷积、maxpool2d、 ConvTranspose2d的输出特征图计算方式
init_bin的博客
04-14 4256
1、conv2d nn.Conv2d(in_dim, out_dim, kernel_size=3, stride=1, padding=1) 输入为（h1,w1）,输出为（h2,w2）,h2的计算如下，w2同理： pytorch中如果是3*3的卷积，且步长为1，此时padding设置为1，那么输出特征图大小和输入特征图大小相同。 2、空洞卷积——conv2d nn.Conv2d(in_dim, out_dim, kernel_size=3, stride=1, padding=2, di
图像的卷积操作、感受野、特征图大小计算
m0_56077202的博客
12-03 3552
图像的卷积操作 正常的卷积操作 ​ 对于图像矩阵来说，卷积操作就是一个固定大小（比如3*3）的滑动窗口，在图像上滑过，每次滑过的地方做逐像素的点乘操作。如下图所示： ​ 卷积操作有四个参数，分别是卷积核的大小F*F，卷积核的个数K, 卷积核滑动时的跳步（stride）S，以及对原图/特征图边缘进行0填充的个数P。 ​ 其中，F、S、P决定了卷积运算之后特征图的大小，K决定了输出特征图的维度。 ​ paddimg的方式有“valid”和“same”两种，valid就是不填充，把卷积不到的地方..
矩形卷积&非对称卷积核，卷积后特征图尺寸计算
weixin_42410915的博客
08-07 3731
矩形卷积和非对称卷积核，卷积后的特征图尺寸计算其实原理是一样的。 矩形卷积 如果输入图像是正方形，尺寸为WxW，卷积核尺寸为FxF，步幅为S，Padding使用P，经过该卷积层后输出的特征图尺寸为NxN： 如果输入图像是矩形，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，Padding使用P，则： 非对称卷积核卷积： 此处只例举输入图像是正方形的情况。设输入图像尺寸为WxW，卷积核尺寸为ExF，步幅为S，Padding为P，卷积...
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
最新发布
共同学习，共同进步。
05-25 3146
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
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，
卷积运算和运算后特征图大小计算1
胡侃有料的博客
04-22 6381
every blog every motto: I am a slow walker, but i never walk backwards. 0. 前言 主要讲下卷积运算和运算以后特征图的大小。 1. 正文 1.1 通道数为1的情况 基本概念： 输入图像：5 * 5 * 1（Height * Width * channel，长 * 宽 * 通道） 卷积核（滤波器）：3 * 3 * 1（长*宽...
【卷积神经网络--卷积/池化后特征图大小计算公式】
m0_46256255的博客
04-08 2101
空洞卷积（atrous convolutions）又名扩张卷积（dilated convolutions），向卷积层引入了一个称为“ 扩张率(dilation rate)”的新参数，该参数定义了卷积核处理数据时各值的间隔。当groups=1的时候，假设此时 输入的通道数为n，输出的通道数为m，那么理解为把输入的通道分成1组(不分组)，每一个输出通道需要在所有的输入通道上做卷积，也就是一种参数共享的局部全连接。当网络层需要较大的感受野，但计算资源有限而无法提高卷积核数量或大小时，可以考虑空洞卷积。
输入一张图像，经过两次卷积后卷积后的输出特征图Pytorch
weixin_47180164的博客
03-24 783
卷积显示
卷积操作输出特征图大小计算
weixin_45587004的博客
04-23 780
卷积操作输出特征图大小计算 卷积层： 参考：https://blog.youkuaiyun.com/weixin_42451919/article/details/81381294
卷积计算，反卷积计算，特征图大小计算，空洞卷积计算
热门推荐
别说话写代码的博客
02-14 2万+
转自：https://www.jianshu.com/p/09ea4df7a788?utm_source=oschina-app 卷积计算过程（单/RGB多通道） 特征图大小计算公式 转置卷积（反卷积）计算过程 空洞卷积计算过程 卷积计算过程（单/RGB多通道） 假设输入层的大小为 5 x 5，局部感受野（或称卷积核）的大小为 3 x 3，那么输出层一个神经元所对应的计算过程（下文...
特征图大小的计算
06-19 1万+
卷积中的特征图大小计算方式有两种，分别是‘VALID’和‘SAME’，卷积和池化都适用，当尺寸不被整除时，卷积向下取整，池化向上取整。   1.如果计算方式采用'VALID'，则： 其中为输出特征图的大小，为输入特征图的大小，F为卷积核大小，stride为卷积步长。 2.如果计算方式采用'SAME'，输出特征图的大小与输入特征图的大小保持不变， 其中padding为特征图填充的圈...
卷积、空洞卷积、反卷积与空洞反卷积的计算公式(全)
爱在深秋
11-08 7393
经常使用的卷积有卷积、空洞卷积、反卷积与空洞反卷积的，下面总结了他们的计算公式。
卷积、池化、反卷积、空洞卷积的输出大小计算公式
hengjiu_123的博客
02-24 717
卷积、池化、反卷积、空洞卷积的输出大小计算公式 卷积 对于卷积经过某层后的特征图大小计算方式：h2 = （h1-k+2p）/s + 1 w2 = （w1-k+2p）/s + 1 总结：卷积输出大小=[（输入大小-卷积核大小+2*Padding）／步长]+1 所以当stride为1时,当卷积核的大小比padding的两倍大1时，可以不改变特征图的尺寸，只改变通道数。 池化 对于池化：H=(H-K)/S+1 W=(W-K)/S+1 总结：池化输出大小=[（输入大小-卷积核大小）／步长]+1 反卷积
空洞卷积输出大小计算公式
11-11
空洞卷积是一种卷积神经网络中的卷积操作，它可以增加卷积核的感受野，从而提高网络的性能。空洞卷积后特征图大小 o 的计算公式为： o = (i + 2*p - dilation*(k-1) - 1)/s + 1 其中，i是输入大小，p是填充值的大小，dilation是空洞卷积的膨胀率，k是卷积核大小，s是步长大小。这个公式与普通卷积的计算公式类似，只是多了一个dilation参数。 举个例子，如果输入大小为28x28，卷积核大小为3x3，步长为1，填充值为0，膨胀率为2，那么空洞卷积后特征图大小为： o = (28 + 2*0 - 2*(3-1) - 1)/1 + 1 = 24 因此，输出大小为24x24。
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