- 综合排序
- 最热优先
- 最新优先
- 来自专栏从流域到海域
Stride Convolution
如上图，stride=2，filter的左边框从2移动到7，2个格子的长度，垂直移动的时候也要2个格子。
53810发布于 2019-05-28 - 来自专栏本立2道生
Group Convolution分组卷积，以及Depthwise Convolution和Global Depthwise Convolution
写在前面 Group Convolution分组卷积，最早见于AlexNet——2012年Imagenet的冠军方法，Group Convolution被用来切分网络，使其在2个GPU上并行运行，AlexNet Convolution VS Group Convolution image.png ? image.png image.png ? image.png ? 以上。 参考 A Tutorial on Filter Groups (Grouped Convolution) Interleaved Group Convolutions for Deep Neural Networks
2.1K20发布于 2019-02-25 - 来自专栏机器学习、深度学习
卷积网络基础知识---Depthwise Convolution && Pointwise Convolution && Separable Convolution
https://yinguobing.com/separable-convolution/#fn2 卷积神经网络在图像处理中的地位已然毋庸置疑。 因此卷积层的参数数量可以用如下公式来计算： N_std = 4 × 3 × 3 × 3 = 108 Separable Convolution Separable Convolution在Google的 它的核心思想是将一个完整的卷积运算分解为两步进行，分别为Depthwise Convolution与Pointwise Convolution。 Pointwise Convolution Pointwise Convolution的运算与常规卷积运算非常相似，不同之处在于卷积核的尺寸为 1×1×M，M为上一层的depth。 因此，在参数量相同的前提下，采用Separable Convolution的神经网络层数可以做的更深。
13K42发布于 2019-07-01 - 来自专栏caoqi95的记录日志
Correlation vs Convolution
Simply, correlation is a measure of similarity between two signals, and convolution is a measure of 在图像或者信号处理领域，简单说，correlation 用来评估两个信号的相似度，而 convolution 是用来评估一个信号对另一信号影响的度量。 在数学上，可以说 convolution = folding + correlation，即 correlation 的 kernel 逆时针翻转 180 度，再和输入进行 correlation 操作就是 convolution。
1.2K40发布于 2019-05-15 - 来自专栏fangyangcoder
Octave Convolution详解
前言 Octave Convolution来自于这篇论文《Drop an Octave: Reducing Spatial Redundancy in Convolutional Neural Networks with Octave Convolution》这篇论文，该论文也被ICCV2019接收。 Octave Convolution（后面将以OctConv命名）主要有以下三个贡献： 将卷积特征图分成了两组，一组低频，一组高频，低频特征图的大小会减半，从而可以有效减少存储以及计算量，另外，由于特征图大小减小 X_l2h = self.upsample(X_l2h) X_h = X_h2h + X_l2h return X_h 参考 【1】 Octave Convolution 论文 【2】Pytorch代码 【3】Octave Convolution博客
1.6K20发布于 2019-10-12 - 来自专栏JNing的专栏
深度学习: convolution (卷积)
卷积层是没有“厚度”一说的。如果非要有，那么假设一个卷积层由10个滤波器（假设每个滤波器有16通道）组成，那么该卷积层的“厚度”即为10。和输入输出数据那种只需根据三维尺度就能直接定量的“厚度”是有本质区别的。
1.1K20发布于 2018-09-27 - 来自专栏全栈程序员必看
Group Convolution 分组卷积
Group Convolution分组卷积 最早见于AlexNet——2012年Imagenet的冠军方法，Group Convolution被用来切分网络，使其在2个GPU上并行运行，AlexNet 网络结构如下： Group Convolution 原理 如果输入feature map尺寸为 C ∗ H ∗ W C*H*W C∗H∗W，卷积核有N个，输出feature map与卷积核的数量相同也是 Group Convolution，则是对输入feature map进行分组，然后每组分别卷积。 Group Convolution的用途 减少参数量，分成G组，则该层的参数量减少为原来的 1 G \frac{1}{G} G1 Group Convolution可以看成是structured sparse
68740编辑于 2022-11-17 - 来自专栏JNing的专栏
空洞卷积（AtrousDilated Convolution）
总结-空洞卷积(Dilated/Atrous Convolution)
2.4K20编辑于 2021-12-06 - 来自专栏本立2道生
一文搞懂 deconvolution、transposed convolution、sub-pixel or fractional convolution
目录 写在前面 什么是deconvolution convolution过程 transposed convolution过程 transposed convolution的计算 整除的情况 不整除的情况 transposed convolution是一个更好的名字，sub-pixel or fractional convolution可以看成是transposed convolution的一个特例。 下面先以1个例子来对比convolution过程和transposed convolution过程，采用与A guide to convolution arithmetic for deep learning convolution过程 先看convolution过程，连接方式 如下图所示，绿色表示输出，蓝色表示输入，每个绿色块具与9个蓝色块连接。 前向传播为convolution/transposed convolution，则反向传播为transposed convolution/convolution。
2.3K41发布于 2019-09-23 - 来自专栏鸿的学习笔记
Understanding Convolution in Deep Learning(二)
The convolution theorem 为了进一步发展卷积的概念，我们利用卷积定理，它涉及了在时间/空间域中的卷积 - 卷积特征难以处理的积分或求和的地区-变到在频率/傅里叶域中单纯的点乘。
94520发布于 2018-08-06 - 来自专栏鸿的学习笔记
Understanding Convolution in Deep Learning（一）
What is convolution? 整个博客的建立就是为了回答这个问题，首先了解什么是卷积是非常有帮助的？你可以想象卷积是一种信息的混合。 How do we apply convolution to images? 当我们对图像应用卷积时，我们将其应用在二维上 - 即图像的宽度和高度。 Convolution of an image with an edge detector convolutionkernel. 我们现在通过卷积来执行这两个信息的实际交织。 Convolution operation for one pixel of the resultingfeature map: One image patch (red) of theoriginal Why is convolution of images useful in machine learning? 在图像中可能有很多令人分心的信息与我们试图实现的目标不相关。
47110发布于 2018-08-06 - 来自专栏鸿的学习笔记
Understanding Convolution in Deep Learning（五）
统计模型和机器学习模型有什么区别？ 统计模型通常集中在很容易解释的很少的变量。 可以建立统计模型来回答这些问题：药物A是否比药物B好？机器学习模型关于预测性能：对于年龄为X的人，药物A将成功的概率提高了17.83％，而对于年龄为Y的人则为22.34％。机器学习模型通常比统计模型具有更强大的预测，但它们并不可靠。统计模型对于获得准确和可靠的结论是重要的：即使药物A比药物B好17.83％，我们不知道这是否可能是因为偶然性; 我们需要统计模型来确定这一点。
33720发布于 2018-08-06 - 来自专栏鸿的学习笔记
Understanding Convolution in Deep Learning(四)
Frequency filtering and convolution 我们将在下面看到为何卷积内核会被称为过滤器以及卷积操作通常被描述为过滤操作的原因。 ? Please note that thistechnique to calculate the softmax will be fine for most convolution kernels,but Relation between cross-correlation and convolution: Here [latexbackground="ffffff"]{\star}[/latex] denotes Cross-correlation via convolution: The input and kernel are padded with zeros and thekernel is rotated
56110发布于 2018-08-06 - 来自专栏AIUAI
论文阅读理解 - Dilated Convolution
Dilated Convolution [Paper]: Multi-scale Context Aggregation by Dilated Convolutions [Caffe-Code] 1. Caffe 中的定义 Dilated Convolution 已经可在 Caffe 官方的卷积层参数中定义. message ConvolutionParameter { // Factor used " bottom: "ct_conv1_2" top: "ct_conv2_1" convolution_param { num_output: 84 kernel_size " bottom: "ct_conv2_1" top: "ct_conv3_1" convolution_param { num_output: 168 kernel_size Figure1：Dilated Convolution例示. image.png 各层的参数数量是相同的.
1.2K20发布于 2019-02-18 - 来自专栏机器学习、深度学习
语义分割--Understanding Convolution for Semantic Segmentation
Understanding Convolution for Semantic Segmentation https://arxiv.org/abs/1702.08502v1 模型 https: //goo.gl/DQMeun 针对语义分割问题，我们从两个方面进行改善，一个是dense upsampling convolution (DUC) 代替 Bilinear upsampling，另一个是用 hybrid dilated convolution (HDC) 代替 传统的 dilated convolution。 Dense Upsampling Convolution (DUC) 输入图像经过CNN卷积网络模型提取得到的特征层，尺寸减小了很多倍。 Hybrid Dilated Convolution (HDC) 在 FCN 中我们使用 Dilated Convolution 主要是 maintain high resolution of
1.4K30发布于 2019-05-26 - 来自专栏深度学习与计算机视觉
如何理解扩张卷积（dilated convolution）
扩张卷积原理 扩张卷积（Dilated Convolution）也被称为空洞卷积或者膨胀卷积，是在标准的卷积核中注入空洞，以此来增加模型的感受野（reception field）。 layer { name: "conv1" type: "Convolution" bottom: "data" top: "conv1" convolution_param {
3.2K30发布于 2019-08-29 - 来自专栏深度学习与计算机视觉
Octave Convolution原理与Caffe实现
这篇论文提出了一种新型的卷积结构，或者叫做卷积模块，叫做 Octave Convolution。 Octave Convolution号称是一种可以无缝嵌入到任何已有backbone中的模块，简单好用，能有效降低已有模型的计算量并带来小幅的性能提升，听起来还是让人非常兴奋的。 这样一来由于下采样带来的特征图尺寸减小，从而使得Octave Convolution计算量降低，此外网络有了不同尺度的信息（两个频域），并且两个频域的信息会在卷积完成后聚合，这个特性使得Octave Convolution ≡(▔﹏▔)≡ Octave Convolution Octave Convolution原理 既然我们知道了Octave Convolution是一种下采样和上采样的组合，那么它的实现也就好理解了： 于是，Octave Convolution的下采样策略就清楚了，要么做跨步卷积，要么先平均池化然后做步长为1的卷积。
1.1K40发布于 2019-08-01 - 来自专栏全栈程序员必看
从STN网络到deformable convolution
调用linalg_geem 2 Deformable Convolution 2.1 相关研究 DeformableConvolution借鉴了之前Spatial Transformer Network 2.2 算法原理 虽然CNN中的特征映射图和卷积核是3Dtensor，但deformable convolution是在2D空间域上运行的，并且在通道维度上保持不变。 1. 2.3 应用 注意到，deformable convolution的输入输出特征图尺寸与标准卷积是相同的，因此它可以取代在现有的CNNs中原有的卷积模块的位置。
79550编辑于 2022-11-02 - 来自专栏探物及理
Convolution_model_Application_v1a
2, 8, 16) 1.3 - Forward propagation In TensorFlow, there are built-in functions that implement the convolution
1.9K30发布于 2020-08-25 - 来自专栏深度学习与计算机视觉
如何理解转置卷积(transposed convolution）
转置卷积也被称为反卷积，常被用用于CNN中的上采样操作，比如分割任务，或GAN网络中。反卷积并不是常规卷积的完全逆操作，反卷积也起不到根据输出特征以及对应的卷积核，恢复原始输出的作用，它最多的作用就是有可学习参数的上采样操作，仅此而已。 同时，反卷积操作并没有把正向卷积输出，对应的卷积核拿过来做转置使用，而是多了几个卷积核而已。 此外，即便是把正向卷积输出对应的卷积核拿过做反卷积，它也恢复不出来原来的参数，恢复原来参数这种操作看起来并没有太大意义，因为只是想做上采样而已。 这里与常规卷积的区别主要体现在：
2K20发布于 2021-02-04
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号