不同卷积核效果(valid)

已于 2022-02-01 22:49:45 修改
阅读量474 收藏
点赞数
分类专栏： C++ 文章标签： 卷积神经网络
于 2022-02-01 22:21:00 首次发布
原文链接：https://www.cnblogs.com/Liu-xiang/p/10259861.html
版权
本文探讨了一种将图像呈现为雕刻效果的艺术手法，通过非对称滤波器实现，同时介绍了如何处理负数值并应用高斯模糊。高光效果的详细参数和视觉效果被深入解析。

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

原图
请添加图片描述
[-1 0 1
-1 0 1
-1 0 1
]
请添加图片描述
1/9 * [1 1 1;1 1 1;1 1 1]
请添加图片描述
[-1 -1 -1;0 0 0 ;1 1 1]
请添加图片描述
[-1 -1 -1 ;-1 9 -1 ;-1 -1 -1]
请添加图片描述
https://www.cnblogs.com/Liu-xiang/p/10259861.html

[2,0,0;0 -1 0;0 0 -1]
这种效果非常的漂亮，就像是将一副图像雕刻在一块石头上面一样，然后从一个方向照亮它。它和前面的滤波器不同，它是非对称的。另外，它会产生负数值，所以我们需要将结果偏移，以得到图像灰度的范围。
请添加图片描述
{0.0037, 0.0147, 0.0256, 0.0147, 0.0037},
{0.0147, 0.0586, 0.0952, 0.0586, 0.0147},
{0.0256, 0.0952, 0.1502, 0.0952, 0.0256},
{0.0147, 0.0586, 0.0952, 0.0586, 0.0147},
{0.0037, 0.0147, 0.0256, 0.0147, 0.0037},
高斯模糊
请添加图片描述

[CNN] 各式各样的卷积核
THE XING
08-19 1968
1.Dilated Convolution/ Atrous Convolution 扩张卷积也有人说是空洞卷积，原文叫做Atrous Convolution。思想非常简单，随着网络的层数越来越多，parameters越来越多，并且maxpooling本身的限制（比如四次maxpooling，那么理论上16x16的图就到了1x1，空间信息全部丢失），google就提出了使用atrous convol...
由FIR滤波器到卷积神经网络的卷积核尺寸的类比
楚江客的记录
11-10 1043
众所周知，卷积就是滤波，于是从滤波的角度考量FIR滤波器中抽头数（同比与一维卷积核的尺寸）对卷积效果的影响，得到以下结论和推论： FIR滤波器的抽头数并不是越大越好。随着抽头数增加，滤波效果是先快速下降，然后整体趋势呈振荡爬升，并在一个稳定值附近震荡。 将其类比到卷积神经网络里，可以类比推出卷积核的大小并不是越大越好，也不是越小越好，而是存在一个最优值。 1. FIR滤波器 滤波器就是对一个信号做处理，允许我们想要的频谱分量通过，而衰减掉不想要的频率分量。 数字滤波器处理的是离散信号。 FIR滤波器最简
卷积核实现的不同效果及其原理
hxxjxw的博客
05-16 5156
上面的kernel可用于锐化图像。但是这个kernel有什么特别之处呢？ 考虑下图所示的两个输入图像。 第一个图像，中心值为3 * 5 + 2 * -1 + 2 * -1 + 2 * -1 + 2 * -1 =7，值3增加到7。 第二个图像，输出是1 * 5 + 2 * -1 + 2 * -1 + 2 * -1 + 2 * -1 = -3，值1减少到-3。 显然，3和1之间的对比度增加到了7和-3，图像将更清晰锐利。 ...
深度学习笔记005-不同大小卷积核心的作用
tuanzi2809的博客
11-03 3111
1×1卷积 增加非线性： 1×1卷积核的卷积过程相当于全连接层的计算过程，并且还加入了非线性激活函数，从而可以增加网络的非线性，使得网络可以表达更加复杂的特征。 特征降维： 通过控制卷积核的数量达到通道数大小的放缩。特征降维带来的好处是可以减少参数量和减少计算量。 空洞卷积 空洞卷积（atrous convolutions）又名为扩张卷积（dilated convolitions），向卷积层引入了一个成为“扩张率（dilation rate）”的新参数，该参数定义了卷积和处理数据时各值之间的距离。空洞卷
卷积核类型简介
Lily的博客
05-16 2806
卷积核类型简介 一个简短的介绍卷积使用“kernel”从输入图像中提取某些“特征”。kernel是一个矩阵，可在图像上滑动并与输入相乘，从而以某种我们期望的方式增强输出。看下面的GIF。上面的kernel可用于锐化图像。但是这个kernel有什么特别之处呢？考虑下图所示的两个输入图像。第一个图像，中心值为3 * 5 + 2 * -1 + 2 * -1 + 2 * -1 + 2 * -1 =7，值3增加到7。第二个图像，输出是1 * 5 + 2 * -1 + 2 * -1 + 2 * -1 + 2 * -1
深度学习中的各种卷积核
weixin_44943389的博客
01-11 1079
在深度学习中，卷积核（也称为滤波器或特征探测器）是卷积神经网络（CNN）的基本组成部分。它们用于提取输入数据（如图像）中的特征。不同类型和大小的卷积核可以捕捉不同的特征。每种卷积核都有其特定的用途，选择哪种类型取决于具体任务和所需的特征类型。在设计卷积神经网络时，通常会结合多种类型的卷积核，以达到最佳的性能。
卷积核核反向传递
03-09
这意味着同一特征映射上的不同位置共享相同的滤波器参数集——即所谓的“卷积核”。当执行反向传播时： - 需要计算当前层激活图对上一层输入的影响； - 同时也要考虑该层自身的参数如何影响后续层产生的错误信号。 ...
卷积核padding
01-03
### 关于卷积神经网络中卷积核 Padding 的概念及使用 #### 定义与目的 Padding 是指在输入数据周围填充额外的像素，使得输出特征图大小保持不变或按照预期变化。这种技术主要用于控制卷积操作后的输出尺寸，并有助...
卷积神经网络手写数字识别用的卷积核
最新发布
03-11
### 卷积神经网络中的卷积核大小及其参数设置 在手写数字识别任务中，卷积神经网络（CNN）的卷积核扮演着至关重要的角色。卷积核内的数值并非固定不变，而是可以通过监督学习的方式自动调整，这种可学习的卷积操作...
【图神经网络】ChebyNet-切比雪夫多项式近似图卷积核
weixin_44413191的博客
10-02 1万+
本文为图神经网络学习笔记，讲解 ChebyNet-切比雪夫多项式近似图卷积核。
TensorFlow卷积、池化操作API 及卷积核个数和不同池化的比较
闲逸的炫鹰
12-10 1891
卷积操作API 普通卷积 tf.nn.convlution(input, filter, padding, strides=None, dilation=None, name=None, data_format=None) 二维卷积 tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None...
常用图像卷积核小结
热门推荐
水蓝城
05-09 1万+
文章目录0. 前言1. 均值滤波和高斯滤波1.1 简介1.2 示例2. 锐化卷积核2.1 简介2.2 示例3. 一阶微分算子3.1 简介3.2 Prewitt算子3.3 Sobel算子3.4 示例4. 二阶微分算子4.1 简介4.2 Laplace算子4.3 LoG算子4.4 DoG算子4.5 示例 0. 前言 图像的卷积或滤波操作在各种场合应用很普遍，如各种滤镜、卷积神经网络等。下面这张图片就很能说明图像卷积的基本原理了： 优快云上这篇博客对图像卷积的解释也很到位。在此先总结几个点： 卷积操作的主要
深度学习中的20种卷积
人无远虑，必有近忧
07-13 1万+
大多数的卷积结构都是在精度-参数量-计算量这三个维度上进行不同的侧重取舍。两个矛盾：追求计算效率的卷积结构由于计算预算较低，无论是限制卷积层的深度，还是限制了卷积的宽度，不可避免地会导致性能的下降。追求精度提升的卷积结构由于其引入过多的卷积运算或其他额外的操作（如注意力），势必会增大内存或计算开销，从而影响模型的容量和整体的训练或推理速度。一个设计的原则就是我们如何在不增加额外参数量的情况下，尽可能利用有效的信息或者从降低冗余空间信息的角度出发，来提高模型的计算效率和卷积提取特征的能力。
为什么两层3*3卷积核效果比1层5*5卷积核效果要好？
hanhan的博客
09-09 3885
感受野 感受野：卷积神经网络各输出特征像素点，在原始图片映射区域大小。 举个例子，原图为3x3大小，我们使用3x3大小的卷积核卷积，得到的输出图片大小是1x1的，所以输出图片的感受野是3。 感受野表征了卷积核的特征提取能力。 2遍3 * 3卷积与1遍5 * 5卷积 设原图大小长宽皆为x(x>=5) ，我们使用5x5的卷积核在x方向上滑动，步长为1，需要滑动(x-5+1)次，y方向同理，滑动了(x-5+1)次，所以最终卷积了(x-4) * (x-4)次，也就是说得到的输出图大小为(x-4) * (x
卷积计算——2. 一些常用于图像的卷积核与应用
老程的技术笔记
03-11 1719
首先声明一点，我没有做过除了图形图像，所以我无法给出在其他领域里出现的卷积核函数，以及解释在其他领域中的卷积具体有什么作用。而卷积本身，我所听说过的，就有非常多不同种类，在这篇文章里我所能做的，是尽可能罗列我所知道的，或者通过一些文章找到的卷积核。至于其他的卷积核，当你不知道它能产生什么效果时，你可以在理解这两篇文章后这，自己动手实践一下。 文章目录模糊型卷积核函数均值模糊型高斯模糊型增强型卷积核函数锐化型特征提取型卷积核函数梯度特征型 以下类型分类，我是按照我自己对于卷积效果的理解进行分类的，不一定是.
常用图像卷积核类型小结
heart_6662的博客
08-14 8533
卷积操作的主要目的就是对图像进行降维以及特征提取；1.卷积核往往是行数和列数均为奇数的矩阵，这样中心较好定位；2.卷积核元素的总和体现出输出的亮度，若元素总和为1，卷积后的图像与原图像亮度基本一致；若元素总和为0，则卷积后的图像基本上是黑色，其中较亮的部分往往就是提取出图像的某种特征；3.滤波实际上就是Same模式的卷积操作，也就是说滤波后图像的大小不变，各种滤镜和照片的风格化就是使用不同的滤波器对图像进行操作。因此卷积核、滤波器本质上都是一个东西；...
深度学习——卷积及卷积核
2301_79972308的博客
08-08 6296
卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。又称滤波器。具体计算如图 ，就是一个固定大小的核，以一定的步长去对原图像位置做相乘再求和的操作在数学上的计算公式（实际上）根据公式计算实际上是计算卷积核经过中心反转后的乘积，但在实际上可以用对应位置相乘的方法去计算，称为互相关运算。卷积神经网络（CNN）作为深度学习的一个重要分支，为图像处理和计算机视觉领域提供了强大的工具。
图像处理中常用的卷积核
weixin_43763292的博客
06-16 5463
【代码】图像处理中常用的卷积核。
卷积核的类型及其作用
Billie使劲学的博客
07-13 6979
这是为什么呢？ 这就是解释了为什么很多网络的第一层使用的都是7×7的大卷积核接受输入图片，因为网络开头使用小卷积核进行下采样参数量会更大。感受野的计算是迭代计算感受野计算公式：1个5×5卷积：RF = 52个3×3卷积：RF = 3+（3-1）×1 = 51个7×7卷积：RF = 73个3×3卷积：RF = 3+（3-1）×1+（3-1）×1 = 7 标准的3×3卷积核只能看到对应区域3×3的大小，但是为了能让卷积核看到更大的范围，dilated conv使其成为了可能。poo
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