标准卷积（Standard Convolution）

原创

已于 2025-03-10 10:32:18 修改 · 556 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#卷积神经网络 #深度学习

于 2025-03-10 10:31:01 首次发布

标准卷积的基础操作图解：

卷积之后尺寸公式：

输入尺寸：W×H
卷积核尺寸：Fw×Fh
填充大小：P
步长：S

输出尺寸 Wout×Hout可以通过以下公式计算：

$W_{out}=[\frac{W+2P-F_{w}}{S}]+1$

$H_{out}=[\frac{W+2P-F_{h}}{S}]+1$

其中[x]表示向下取整。

实例：

输入图像尺寸：5x5
卷积核尺寸：3x3
填充：1
步长：1

输出尺寸：

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

O_o381

关注关注

3
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

YOLOv9独家改进：动态蛇形卷积Dynamic Snake Convolution替换conv卷积

weixin_45303602的博客

06-16

495

使用ICCV2023中的动态蛇形卷积替换YOLOv9网络中的Conv模块。应用场景：适合具有细长微弱的局部结构特征与复杂多变的全局形态特征的场景。话不多说，展示修改成功后的运行图。

深度学习笔记----不同卷积类型的总结

YOULANSHENGMENG的博客

11-12

6239

1，标准卷积卷积核上所有作用点依次作用于原始像素点后（即乘起来），线性叠加的输出结果，即是最终卷积的输出，也是我们想要的结果，我们称为destination（目标） pixel. 标准卷积的计算公式为：标准卷积有多种卷积方法，可划分为三种：Same卷积、Valid卷积、Full卷积(反卷积)。有个博文详细讲卷积，可以参考下：卷积原理_abyss_miracle的博客-优快云博客_卷积原理 1.1Same卷积通过Padding填充0运算保证卷积...

参与评论您还未登录，请先登录后发表或查看评论

CNN卷积类型总结（标准卷积、空洞卷积、反卷积、深度可分离卷积、分组卷积等）

m0_62919535的博客

06-29

3300

对标准卷积、空洞卷积、反卷积、深度可分离卷积、分组卷积等进行总结。上学时，卷积常在各个课程中出现，现代、信号与系统这些，加上前面学习深度学习中有使用过卷积，但具体是什么情况还是没有明白，我觉得问题有二，其一是简单考试可能卷积都考不到，没有仔细思考过具体前后的实现过程。其二是本人天资比较愚钝，理解能力没有到位。这里结合着pytorch，力求能把自己搞懂！

标准CNN（卷积神经网络）

11-17

卷积神经网络CNN是深度学习的一个重要组成部分，由于其优异的学习性能（尤其是对图片的识别）。近年来研究异常火爆，出现了很多模型LeNet、Alex net、ZF net等等。由于大多高校在校生使用matlab比较多，而网上的教程代码基本都基于caffe框架或者python，对于新入门的同学来说甚是煎熬，所以本代码采用matlab结合MNIst手写数据库完成对手写数字的识别。本人水平有限，如有纰漏，还望各路大神，帮忙指正。

标准卷积和深度可分离卷积

weixin_56097064的博客

01-15

1176

深度卷积（Depthwise Convolution）：对每个输入通道单独进行卷积操作，不跨通道进行卷积。逐点卷积（Pointwise Convolution）：使用 1×1卷积核对深度卷积的输出进行通道混合，生成新的特征图。

标准卷积、深度可分离卷积与GSConv，YOLOv8引入SlimNeck

weixin_53895623的博客

12-26

1万+

本文介绍了标准卷积、深度可分离卷积以及paper中的GSConv，分析了它们的性能优劣，并简要介绍了如何将VoVGSP和GSConv引入YOLOv8

标准卷积

言午日月

03-01

2295

标准卷积假设特征图大小为 Ci×H×WC_i \times H \times WCi×H×W , 需要输出的特征图大小为 ×H×W\times H \times W×H×W, 卷积核大小为 3×33\times 33×3, pandding 为 1, 标准卷积计算过程如图所示标准的卷积计算过程对于输入特征图的左上 Ci×3×3C_i \times 3 \times 3Ci×3×3 特...

对深度可分离卷积、分组卷积、扩张卷积、转置卷积（反卷积）的理解

热门推荐

Chaolei3的博客

02-26

3万+

参考： https://zhuanlan.zhihu.com/p/28749411 https://zhuanlan.zhihu.com/p/28186857 https://blog.yani.io/filter-group-tutorial/ https://www.zhihu.com/question/54149221 http://blog.youkuaiyun.com/guvcolie/a...

计算机视觉中的各种卷积(Convolution in Computer Vision)

John's Blogs

06-27

3400

空洞卷积(Dilated Convolution)简介

Polaris的博客

11-20

8974

一、空洞卷积(Dilated Convolution) Dilated Convolution(空洞卷积/膨胀卷积)是在标准的 convolution map 里注入空洞，以此来扩大感受野。膨胀卷积与普通的卷积相比：除了卷积核的大小以外，还有一个扩张率(dilation rate)参数，主要用来表示膨胀的大小。在普通卷积中，可以认为它的dilated rate = 1。感受野（receptive field）：CNN中，某一层输出结果中一个元素所对应的输入层的区域大小，感受野是卷积核在图像上看到的大小，例

谈谈Deconvolution(转置卷积) Atrous convolution(空洞卷积) Depthwise separable convolution(深度可分离卷积)

要相信光

03-04

3033

文章目录转置卷积（deconvolution）微步卷积空洞卷积（膨胀卷积）转置卷积（deconvolution）转置卷积是一个将低维特征转换到高维特征。为什么叫做转置卷积呢？其实就是引入了转置的思想。假设我们现在有一个p维的向量Z，然后有个d维的向量X，p<d. 这样就会出现 Z = W·X，其中W的维度为(p,d)，叫做转换矩阵. 现在，我们要从Z通过相似的方法来得到X，这样我们不...

卷积原理：几种常用的卷积（标准卷积、深度卷积、组卷积、扩展卷积、反卷积）

赵凯月的博客

06-05

5070

0、标准卷积默认你已经对卷积有一定的了解，此处不对标准卷积细讲。举个例子，假设有一个3×3大小的卷积层，其输入通道为16、输出通道为32。那么一般的操作就是用32个3×3的卷积核来分别同输入数据卷积，这样每个卷积核需要3×3×16个参数，得到的输出是只有一个通道的数据。之所以会得到一通道的数据，是因为刚开始3×3×16的卷积核的每个通道会在输入数据的每个对应通道上做卷积，然后叠加每一个通道对应位置的值，使之变成了单通道，那么32个卷积核一共需要(3×3×16)×32 =4068个参数。 1、深度卷积

图解AI：各种类型的卷积-标准卷积、反卷积、可分离卷积、分组卷积等

BigDream123的博客

06-02

6367

一、卷积的基本属性卷积核（Kernel）：卷积操作的感受野，直观理解就是一个滤波矩阵，普遍使用的卷积核大小为3×3、5×5等；步长（Stride）：卷积核遍历特征图时每步移动的像素，如步长为1则每次移动1个像素，步长为2则每次移动2个像素（即跳过1个像素），以此类推；填充（Padding）：处理特征图边界的方式，一般有两种，一种是对边界外完全不填充，只对输入像素执行卷积操作，这样会使输出特征图的尺寸小于输入特征图尺寸；另一种是对边界外进行填充（一般填充为0），再执行卷积操作，这样可使输出特征图的

深度学习CV方向学习笔记2 —— 标准卷积、卷积、卷积核

qq_33909645的博客

10-13

1428

深度卷积和标准卷积

我爱听音乐

09-27

458

关于轻量级网络--MobileNet论文解读 https://blog.youkuaiyun.com/u011974639/article/details/79199306 里面有关于标准卷积核深度卷积的具体计算公式形式和实例。在此记录该链接，感谢博主的分享。 ...

卷积神经网络（CNN）标准模型分析（四）

Enjolras_fuu的博客

12-15

4221

卷积神经网络的变种模型（一）卷积神经网络可以改变输入的形式，比如说把一副图像的R、G、B三个通道看做一个整体输入，并且采用3D的卷积核，建立3D卷积神经网络模型，以处理视频图像。（二）卷积神经网络可以采用重叠池化来进行下采样，比如在AlexNet中就采用了重叠池化的技术。池化就是对矩阵数据进行分块下采样。在标准的卷积神经网络中，池化分块是不允许重叠的。如果允许重叠，那么将产生更大的下采样层，学习

深度学习基础入门篇[9.1]：卷积之标准卷积：卷积核/特征图/卷积计算、填充、感受视野、多通道输入输出、卷积优势和应用案例讲解

丨汀、的博客

05-22

1万+

只有当卷积核覆盖的像素点有的处于光亮区域，有的处在黑暗区域时，左右间隔为1的两个点像素值的差才不为0。深层卷积提取的则是图像中的全局信息。因此，对于同一个卷积核的计算过程而言，在与图像计算的过程中，它的权重是共享的。(3 x 3卷积核的中间值是8，周围一圈的值是8个-1)对其进行操作，用来检测物体的外形轮廓，观察输出特征图跟原图之间的对应关系，如下代码所示，输出图像如。上面的例子中，卷积层的数据是一个2维数组，但实际上一张图片往往含有RGB三个通道，要计算卷积的输出结果，卷积核的形式也会发生变化。

标准卷积、分组卷积、深度卷积、深度可分离卷积区别

浩瀚之水的专栏

02-25

1783

标准卷积与分组卷积在卷积神经网络中具有显著的区别，这些区别主要体现在卷积操作方式、参数数量、计算量、模型表示能力以及适用场景上。

【基础】卷积种类总结及图解

weixin_44505185的博客

09-12

9364

卷积种类总结及图解

标准卷积计算过程