空洞卷积、普通卷积、反卷积后的特征图尺寸、感受野的计算及公式推导,含padding参数

1.首先是输出特征图的尺寸计算方法:(采用向下取整的方法)
S O U T = ⌊ S I N + 2 p a d i n g − S k e r n a l s t e p ⌋ + 1 ( 1 ) S_{OUT}=\lfloor\frac{S_{IN}+2pading-S_{kernal}}{step}\rfloor+1\qquad(1) SOUT=stepSIN+2padingSkernal+1(1)
即特征图输出尺寸,与特征图输入尺寸,步长,padding及卷积核大小有关。

2,空洞卷积与普通卷积核大小的等效公式:
空洞数n的含义为,原始图片上每n行或n列选取一列参与实际卷积。
在计算其输出特征图尺寸时,首先计算空洞卷积核大小与普通卷积核大小的等价关系,再代入上面的公式计算:
K e = K + ( k − 1 ) × ( d − 1 ) ( 2 ) 其 中 d 为 空 洞 数 , k 为 空 洞 卷 积 的 核 大 小 K_{e}=K+(k-1)\times (d-1)\qquad(2)\\[10pt]其中d为空洞数,\\[10pt]k为空洞卷积的核大小 Ke=K+(k1)×(d1)(2)dk
3.反卷积:反卷积不能卷积出原图,但是可以卷积出原图的尺寸:
变形公式(1)得到:
S I N = ( S O U T − 1 ) × + s t e p + S k e r n a l − 2 p a d i n g ( 3 ) 其 中 S I N 即 视 为 经 反 卷 积 后 的 输 出 图 片 尺 寸 S_{IN}=(S_{OUT}-1)\times +step+S_{kernal}-2pading\qquad(3)\\[10pt]其中S_{IN}即视为经反卷积后的输出图片尺寸 SIN=(SOUT1)×+step+Skernal2pading(3)SIN
3.感受野大小的计算公式:只能通过公式进行迭代计算
V i = V i − 1 + S k e r n a l − i × ∏ i = 1 i − 1 s t e p i − 1 ( 4 ) i > 1 其 中 S k e r n a l − i 为 第 i 层 卷 积 核 大 小 , V i 为 第 i 层 感 受 野 大 小 , s t e p i − 1 为 第 i − 1 层 核 大 小 V_i=V_{i-1}+S_{kernal-i}\times \prod_{i=1}^{i-1}step_{i-1}\qquad(4)\\i>1\\[10pt]其中S_{kernal-i}为第i层卷积核大小,\\[10pt]V_i为第i层感受野大小,\\[10pt]step_{i-1}为第i-1层核大小 Vi=Vi1+Skernali×i=1i1stepi1(4)i>1SkernaliiViistepi1i1
设有一个3层网络,每层步长为1,核都是33,求第三层感受野:
第一层感受野默认为1
第二层感受野为1+3
1=4
第三层感受野为4+311=7

你可能感兴趣的:(机器视觉,计算机视觉)