DW卷积、PW卷积、转置卷积、膨胀卷积(空洞卷积)、可变形卷积一次看个够

这篇具有很好参考价值的文章主要介绍了DW卷积、PW卷积、转置卷积、膨胀卷积(空洞卷积)、可变形卷积一次看个够。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

Depthwise Separable Convolution也就是深度可分离卷积,应该见过吧,它其实是由depthwise卷积和pointwise卷积组合而成,同样可以用来提取图像特征,但是它的计算量相对来说要小很多,所以一些轻量模型用了深度可分离卷积比如mobilenet。(以下无标注则均无padding,stride=1)

Depthwise Convolution

DW卷积操作中,每一个卷积核是只负责一个通道的,这与普通卷积一个卷积核负责几个通道是不一样的。比如一个5*5*3的彩色图片作为输入,使用普通卷积那么卷积核就可以设置为3*3*n(n为输出通道数),而DW卷积则为3*3*3(卷积核的数量要与输入通道数量一致),所以一个卷积核只能负责一个通道。

DW卷积、PW卷积、转置卷积、膨胀卷积(空洞卷积)、可变形卷积一次看个够

 PW卷积

其实在我看来pw卷积就是普通的1*1卷积(个人理解),其卷积核为1*1*n(n为要输出的通道数),pw卷积可以在深度上对输入图片进行融合。

DW卷积、PW卷积、转置卷积、膨胀卷积(空洞卷积)、可变形卷积一次看个够

之所以PW和DW卷积配合使用是因为,在经过DW卷积后,不同的通道之间的空间位置信息不能利用,所在再经过PW卷积进行深度融合就可以将其通道信息利用,从而组成了深度可分离卷积。

转置卷积

转置卷积也被人叫做反卷积或者逆卷积,其实正确的叫法就是转置卷积,并不是卷积之后通过转置卷积再得到原来的特征图,转置卷积所得到的上采样特征图中的数值与原特征图并不一样,所以反卷积或者逆卷积的叫法是不好的。在做转置卷积时需要将卷积核进行翻转以及对原图的填充。具体可参考转置卷积(Transposed Convolution)_太阳花的小绿豆的博客-CSDN博客_转置卷积,强推。

膨胀卷积

话不多说直接上图:

DW卷积、PW卷积、转置卷积、膨胀卷积(空洞卷积)、可变形卷积一次看个够

膨胀卷积在标准卷积的基础上,增加一些空洞,使得在卷积时能够包括更大的感受野。文章来源地址https://www.toymoban.com/news/detail-502665.html

到了这里,关于DW卷积、PW卷积、转置卷积、膨胀卷积(空洞卷积)、可变形卷积一次看个够的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • Python采集<灵剑尊>全本内容,一次性看个爽~

    前言 嗨喽,大家好呀~这里是爱看美女的茜茜呐 环境使用: Python 3.8 Pycharm 模块使用: requests pip install requests 数据请求模块 parsel pip install parsel 数据解析模块 使用知识点: python基础语法: print 输出函数 字符串创建 字典创建 / 取值 列表取值 for循环遍历 open函数数据保存 python爬虫

    2024年02月05日
    浏览(56)
  • 深度学习之 11 空洞卷积的实现

    本文是接着上一篇深度学习之 11 卷积神经网络实现_水w的博客-CSDN博客 目录 空洞卷积 1 优点与适用性 2 存在的问题  ◼  空洞卷积存在网格效应  ◼  远距离的点之间的信息可能不相关  ◼  解决方法   ◼  满足HDC条件的空洞卷积叠加演示:dilation rate [1, 2, 5] with 3 x

    2024年02月11日
    浏览(36)
  • Spring Cloud 微服务系列文章合集,一次性看个够!

    微服务架构图 为了方便大家可以直接下载编辑,这里用的ProcessOn画的架构图,可以直接克隆一个出来进行编辑,地址:https://www.processon.com/view/6523a1b37fde9c4bb35c7278 微服务系列文章合集,点击阅读 Spring Cloud 微服务系列前言 Spring Cloud 微服务系列包版本号约定 IntelliJ IDEA 创建多模

    2024年02月08日
    浏览(48)
  • YOLOV7改进-空洞卷积+共享权重的Scale-Aware RFE

    代码 1、先把文件复制到common.py中 2、yolo.py添加类名 3、下半部分进行添加修改 4、cfg-training:新建配置文件 加了一行,后面对于序号+1 5、这里选择12层替代

    2024年02月09日
    浏览(40)
  • [转置卷积(一)] 搞懂转置卷积的计算

    文章首发于https://zhaodongyu-ak47.github.io/Transposed_Convolution/ 最近做了一些转置卷积的部署工作,最开始搞的时候其实有点晕头转向的,总是在用卷积的计算方式反过来理解转置卷积,尤其是 padding 部分和 stride 部分,搞得我头更大了。 现在也算是了解了具体工作机制以及加速方式

    2024年02月03日
    浏览(25)
  • 目标检测算法——YOLOv5/YOLOv7改进之结合​ASPP(空洞空间卷积池化金字塔)

    首先要介绍 Atrous Convolution(空洞卷积) ,它是一种增加感受野的方法。 空洞卷积 和普通的卷积操作不同的地方在于卷积核中按照一定的规律插入了一些(rate-1)为零的值,使得感受野增加,而无需通过减小图像大小来增加感受野。 空洞空间卷积池化金字塔(Atrous Spatial Pyram

    2023年04月15日
    浏览(45)
  • 转置卷积的应用

    目录 矩阵转置 一、转置卷积的背景 二、转置卷积的应用 三、转置卷积的区别 卷积   矩阵的转置在信息处理中起到了重要的作用。在计算机科学领域,矩阵常用于表示图像、音频和视频等多媒体数据。当我们需要对这些数据进行处理时,常常需要进行矩阵转置操作。例如,

    2024年02月11日
    浏览(23)
  • 计算机视觉:转置卷积

    转置卷积(Transposed Convolution),也称为反卷积(Deconvolution),是卷积神经网络(CNN)中的一种操作,它可以将一个低维度的特征图(如卷积层的输出)转换为更高维度的特征图(如上一层的输入)。转置卷积操作通常用于图像分割、生成对抗网络(GAN)和语音识别等任务中

    2024年02月08日
    浏览(76)
  • [SS]语义分割_转置卷积

    转置卷积(Transposed Convolution) 抽丝剥茧,带你理解转置卷积(反卷积)  目录 一、概念 1、定义  2、运算步骤 二、常见参数         转置卷积(Transposed Convolution),也被称为反卷积(Deconvolution)或逆卷积(Inverse Convolution),是一种卷积神经网络中常用的操作。转置卷

    2024年01月22日
    浏览(34)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包