卷积网络CNN中各种常见卷积过程

卷积 Convolution

卷积核也称为滤波器filter。滤波器大小为，其中为深度，和输入feature map的channel数相同。每一层的filter数量和输出channel数相同。输入的每个channel和对应深度的卷结核进行卷积，然后加和，组成输出的一个channel。

 

卷积过程

 

对于filter ，表示个卷积核深度为的位置在行列的参数。对于输入和输出表示个channel的行列的值。则

如果考虑到步长，则

参考图像处理常见的卷积核。

1x1卷积

顾名思义，1x1卷积的卷结核大小为1x1，这样可以节省很多的参数，可以很方便得调整channel数量。1x1卷积可以增加channel维度的特征学习，但缺少feature map维度的特征学习。

 

1x1卷积

• 1x1卷积不改变feature map大小，只改变channel数，相比于3x3卷积，1x1计算量更小（算一下，小了多少？）
• 1x1卷积可以增加非线性

3D卷积

 

3dconv

输入多了时序维度，卷结核相应的也增加了一个维度

反卷积/转置卷积 Transposed Convolutions/ deconvolution

两图流。

 

Transposed Convolutions

 

反卷积

• 对输入的图每个像素进行卷积操作
• 按照stride将上述得到的结果排列，如果重叠则进行加和
• 多个卷积核重复上述操作，得到新的feature map
  

空洞卷积/扩张卷积 Dilated Convolutions

 

Dilated Convolutions

多了一个扩张率，扩张率为1时就是普通卷积。

作者：昭君姐
链接：https://www.jianshu.com/p/2a0f3a4a9d1d
來源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。