- 原文地址:Transposed Convolution Demystified
- 原文作者:Divyanshu Mishra
- 译文出自:翻译计划
- 本文永久链接:github.com/xitu/gold-m…
- 译者:PingHGao
- 校对者:chzh9311,samyu2000
解密转置卷积
转android平板电脑价格置卷积是图画切开、超分辩率等使用范畴的革命性概念,但它有些不流畅难明。 在android下载这篇文章中,我将揭开它的奥秘面纱,便利咱们了解。
前语
自从卷积神经网络(CNN)技能广泛以来,核算机视觉技能进入了一个过渡阶段。在 2012 年的 ImageNet 竞赛中,Alexnet 获得了冠军,此后,CNN 成了处理图画分类、方针检测、图画切开以及其它与图画/视频相关的使命的首要技能。
当网络变得越深,卷积操作会使得空间规范变得更小,一起创建了输入图画的笼统标明。 CNN 的此项特性关于只需猜想输入图画中是否存在特定方针的图画分类等使命十分有用。但是,此项特性或许会给比如方针定位、切开之类的使命带来问题。因为在这类使命中,物体在原始图画中的空间规范关于猜想输后端开发出间隔框或对物体进行切开是必不可少的宫颈癌前期症状。
为了处枸杞理这个问题,包括全规范卷积神经网络在内的多种技能应运而生。在全标架构师准卷积神经网络中,图画维度经过 same padding 的办android是什么手机牌子法坚持与输入一起。 虽然该技能在很大程度上处理了该问题,但因为整个网络的卷积运算都是在原始输入规范上进行,因而也增加了核算成本。
图画切开范畴运用的另一种方法是将网络分为两个部分,即降采样网络和上采样网络。在降采样网络中,运用了一般的Go CNN 架构,并生成了输入图画的笼统标明。在上采样网络中,运用了各种技能对图画的笼统标明进行android下载安装上采样,以使其空间规范等于输入图画。 这种架构也便是知名的编码器-解码器网络。
上采后端工程师样技能
下采样网络比较直观,一起被广泛运用,但关于上采样的相关技能,很少有人谈论。
编码器Android-解码器网络中最广泛运用的上采样技能是:宫颈癌前期症状
- 最近邻技能: 望文生义,在最近邻技能中,咱们将一个输入像素值复制到 K 个最近的附近元素中,其中 K 取决于期望的输出。
- 双线性插值: 在双线性插值中,咱们选用输入像素的 4 个最近像素值,并根据与这四个像元的间隔进行加权均架构匀对输出进行滑润处理。
- Bed Of Nails: 在该方法中,咱们将输入像素的值复制到输出图画中的相应方位,并在其他方位填充零。
- 反最大池化: CNN后端开发需求把握什么技能 中的最大池化层选取卷积核内最大值作为输出。为了实施反最大池化架构是什么意思操作,首要,在编码过程中为每个最大池化层保存最大值的索引。然后在“解码”过程中运用保存的索引,将输入像素映射到保产品生命周期存的索引对应的方位,并在其他方位填充零。
悉数上述技能都是预界说的,而且不依赖于数据,这使它们成为特定于使命的。它们无法从数据后端中学习,因而不是通用技能。
转置卷积
转置卷积用于运用一些可学习的参数对输入特产品定位征图进行上采样,然产品介绍后得到所需的输出特征图。
转置卷积的根本操作过程如下:
- 以一个 2×2 编码的特征图为例,将其公积金贷款上采样到 3×3 巨细。
2.咱们运用一个巨细为 2×2 的核,步长为 1产品批号是生产日期吗,填充为 0。
- 现在产品运营,咱们将架构师认证输入特征图的左上角元素与核的每个元素相乘,如图 10 所示。
- 相同,咱们对输入架构图制造特征图的悉数其他元素实施此操作,如图 11 所示。
- 如您所见,生成的上采样特征图的某些元素是堆叠的。为处理此问题,咱们简略地将堆叠的元素求和即可。
- 终究的输出将是上采样后具有所需空间规范的 3×3 巨细的特征图。
转狗狗币置卷积也称为反卷积,但这一别称并不适宜。因为反卷积意味着抵消卷积操作的效果,而这并不是咱们的目的。
它也被称为上采样卷积,android下载安装这直观的反映了它实施的使命,即对输入特征图进工商银行行上采样。
因为在输出上进行常规架构师卷积等效于在输入上进行小数步长卷积,转置卷积也称为小数步长卷积。例如,输出上的步长为 2 的卷积等价于输入上的步枸杞长为 0.5 的卷积。
最后,它android手机也被称为反向卷积,因为转置卷积中的前向核算等效于常规卷积的反向核算。
转置卷积的问题:
转置的卷积受棋盘效应的影响,如下所示。
形成这种情况的首要原因是在图画的某些部分出现不均匀的堆叠后端和前端有什么区别,然后导致出现伪影。这可以经过运用可被步长整除的核巨细来修改架构或减轻,例如在步长为 2 时选用 2×2 或 4×4 的核巨细。
转置卷积的使用:
- 超分辩率:
- 语义切开:
定论:
转置卷积是当今语义切开和超分辩率算法的基础。它们供给了笼统标明形式的最佳、最通宫颈癌前期症状用的上采样方法。在这篇文章中,咱们探究了常常运用的各种上采样技能,然后查验愈加直观、深化地了解转置卷积。期望您喜爱这篇文章,假设您有任何疑问、问题或定见,请随时经过 Twitter 或许 Linkedin 联络我。
参阅目录:
- CS231n: Convolutional Neural Networks for Visual Recognition
- Tra后端开发薪酬一般多少nsposed C架构设计onvolutions explained with… M架构师S Excel!
- Deep Dive int架构师和程序员的区别o Deep Learning
假设发现译文存在差错或其他需求改善的当地,欢迎到 翻译计划 对译文进行修改并 PR,也可获得相应奖励枸杞积分。文章开头的 本文永久链接 即为本文在 GitHub 上的 Mar产品kDown 链接后端和前端有什么区别。
翻android是什么手机牌子译计划 是一个产品介绍翻译优质互联网技能文章的社区,文章来历为 上的英文共享文章。内容掩盖 Android、iOS、前端架构师薪酬一月多少、后端、区块链、产品、规划后端开发需求把握什么技能、人工智能等范畴,产品介绍想要查看更多优质译文请继续注重 翻译计划、官方产品策略微博、google知乎专栏。