Convolution

深度学习入门-卷积神将网络(CNN)

深度学习入门-卷积神将网络(CNN)整体结构CNN与之前的神将网络不同的是，CNN中新出现了卷积层（Convolution层）和池化层（Pooling层）。
侯一鸣Supermonkey·2023-02-01 19:59

chainer-图像分类-ShuffleNet_V1代码重构【附源码】

代码实现defconv3x3(in_channels,out_channels,stride=1,padding=1,bias=True,groups=1):returnL.Convolution2D(
爱学习的广东仔·2023-02-01 16:51

【转置卷积Transposed Convolution】

目录一、综合考虑步长，0填充卷积的转置卷积二、单步长、无0填充卷积的转置卷积三、单步长，0填充卷积的转置卷积四、half（same）padding卷积的转置卷积五、fullpadding卷积的转置卷积六、非单步长，无0填充卷积的转置卷积七、非单步长，0填充卷积的转置卷积转置卷积TransposedConvolution，也叫做微步卷积FractionallyStridedConvolutions或
倔强一撮毛·2023-02-01 04:04

转置卷积（transposed convolution）

转置卷积：作用是上采样（其他上采用方法还有插值和反池化），转置卷积实际上也是一种卷积。卷积的输入输出大小关系：i是输入大小，o是输出大小，k是卷积核大小，s是步距，p是填充大小转置卷积的输入输出大小关系（其实就是用上面的公式从o得到i）：i是转置卷积的输入大小，o是转置卷积的输出大小，k是转置卷积的卷积核大小（也是转置卷积对应的正向卷积的卷积核大小），s是转置卷积对应的正向卷积的步距，p是转置卷积
lizi0403·2023-02-01 04:00

【机器学习】详解 转置卷积 (Transpose Convolution)

目录一、转置卷积的背景二、转置卷积的应用三、转置卷积的区别四、转置卷积的推导五、转置卷积的输出5.1stride=15.2stride>1☆六、小结一、转置卷积的背景通常，对图像进行多次卷积运算后，特征图的尺寸会不断缩小。而对于某些特定任务(如图像分割和图像生成等)，需将图像恢复到原尺寸再操作。这个将图像由小分辨率映射到大分辨率的尺寸恢复操作，叫做上采样(Upsample)，如下图所示：图1上采样
何处闻韶·2023-02-01 04:30

Hybrid Dilated Convolution学习笔记

HybridDilatedConvolution学习笔记1.膨胀卷积也叫空洞卷积，是在普通卷积的基础上加了一个空洞率，如下图所示：上图就是一个空洞率为2的空洞卷积，以3×3为例，算上空洞率为2的卷积核应该为5×5，添加像素添加0。2.为什么要引入膨胀卷积？因为maxpooling进行池化操作后，一些细节和小目标会丢失，在之后的上采样中无法还原这些信息，造成小目标检测准确率降低然而去掉池化层又会减少
WaitPX·2023-01-31 12:30

论文笔记(三)《Unsupervised representation learning using deep convolution to generate adversarial network》

0Abstract近年来，利用卷积网络（CNNs）进行的有监督学习在计算机视觉应用中得到了巨大的应用。相对而言，使用CNNs的无监督学习受到的关注较少。在这项工作中，我们希望能够帮助缩小CNNs在有监督学习和无监督学习之间的差距。我们介绍了一类被称为深度卷积生成对抗性网络（Deepconvolutionalgenerativeadversarialnetworks，DCGANs）的CNNs，它们具
爱吹口哨的夜莺·2023-01-31 10:46

D3net中Multidilated convolution的anti-aliasing的理解

原文：Denselyconnectedmultidilatedconvolutionalnetworksfordensepredictiontasks地址：http://arxiv.org/abs/2011.11844v1当时想了很久这个anti-alising究竟是什么意思，后面恍然大悟因为这是密集连接在DenseNet的基础上如果直接把conventional的conv全部换成dilatedc
Ben出没冇注意·2023-01-31 07:17

[译] Free-Form Image Inpainting with Gated Convolution

由于某塔平台会员限制不方便交流，因此决定翻译此文。题目：用门控卷积的不规则图像修复ICCV2019作者：伊利诺斯大学香槟分校JiahuiYu（余家辉）等人摘要作者提出一种生成式图像修复系统，用结构形式不规则的掩码引导补全图像。该系统基于从数百万张图像中学习到的门控卷积gatedconvolution，无需额外的标记工作。提出的门控卷积解决了传统卷积vanillaconvolution将所有输入像素
波赛东闪电·2023-01-30 06:53

深度学习训练过程训练的是什么

先看一个常见的卷积网络层：layer{name:"conv1"type:"Convolution"bottom:"conv1a"top:"conv2a"param{lr_mult:1decay_mult
前进ing_嘟嘟·2023-01-30 05:11

读《Analyzing Unaligned Multimodal Sequence via Graph Convolution and Graph Pooling Fusion》

2020摘要融合视觉、语言、声音三模态现有工作是集中在对齐融合单词，本文认为这是不切实际的因此本文主攻非对齐模态序列的多模态序列分析的任务常用的RNN系列网络由于其周期性，它们容易受到梯度消失/爆炸和高时间复杂度的影响基于图的结构能够在时间维数上进行并行计算，并可以在较长的未对齐序列中学习更长的时间依赖性。具体来说，这个多模态图是分层结构的，以满足两个阶段，即模式内和模式间的动态学习。在第一阶段，
Mighty_Crane·2023-01-29 13:19

吴恩达深度学习（笔记+作业）·第四课·第一周 卷积神经网络

padding、stride四、三维卷积（加入其他通道）五、卷积网络卷积层池化层六、卷积神经网络作业卷积网络的优点一、计算机视觉图片分类、目标检测、风格迁移……二、边缘检测*<----这个*在数学中表示卷积从convolution
手可摘星辰不去高声语·2023-01-27 11:25

李宏毅2022ML第三周课程笔记

卷积Convolution和fullyconnectedlayer的关系。池化Flatten李宏毅2022ML第三周课程笔记（三）--CNN为什么使用CNN？
梦想的小鱼·2023-01-25 11:43

Incorporating Convolution Designs into Visual Transformers阅读笔记

为克服限制，提出一种新的Convolution-enhancedimageTransformer（CeiT）它结合了神经网络在提取低层特征、增强局部性方面的优势和变换器在建立长距离
给个编制·2023-01-24 08:41

[CS231n Assignment 2 #04 ] 卷积神经网络(Convolutional Networks )

文章目录作业介绍1.卷积操作1.1Convolution:Naiveforwardpass1.2Aside:Imageprocessingviaconvolutions1.3.Convolution:Naivebackwardpass2
灵隐寺扫地僧·2023-01-21 16:01

【tensorflow 使用错误】tensorflow2.2 过程中出现 Error : Failed to get convolution algorithm

如果在使用tensorflow过程中出现Error:Failedtogetconvolutionalgorithm，这是因为显卡内存被耗尽了。解决办法：在代码的开头加入如下两句，动态分配显存physical_device=tf.config.experimental.list_physical_devices("GPU")tf.config.experimental.set_memory_grow
阿迪修·2023-01-21 13:56

论文理解 Linkage Based Face Clustering via Graph Convolution Network

论文理解LinkageBasedFaceClusteringviaGraphConvolutionNetwork背景要解决的问题基于GCN的人脸图像聚类图卷积层节点合并KNN搜索MxNet复现GCNLayer其他背景其实是利用GCN进行人脸图像聚类论文：LinkageBasedFaceClusteringviaGraphConvolutionNetwork作者提供的代码：GCNClustering
碧落回雪·2023-01-19 21:16

GCN学习：Attributed Graph Clustering via Adaptive Graph Convolution

阅读论文AGC，利用高阶结构信息来提升聚类的效果。本文从图信号处理角度来理解GNN，增强聚类效果。目标还是将节点划分成m个聚类。文章目录一、Introduction原理步骤二、算法提到了一些预备条件k阶图卷积如何选择合适的k一、Introduction近年来的几种图卷积的聚类方法在一些真实的属性网络上取得了良好的聚类性能。然而现有方法都是低阶的，只考虑每个节点的邻居，或者两个三个跳之外的节点，固定
我咋就看不懂·2023-01-19 21:15

AGC：Attributed Graph Clustering via Adaptive Graph Convolution

Adaptive：构造k阶图卷积，充当节点特征上的低通图滤波器，以获得平滑的特征表示，其中k可以使用簇内距离自适应地选择。GCN的问题GCN的每个卷积层都与投影层耦合，无法构造深层GCN。一般使用2~3个GCN，即只能考虑2，3阶邻居，丢失了global信息。固定模型忽略了真实数据的多样性。模型构造k阶图卷积，学习平滑的节点特征表示；对学习到的节点特征进行谱聚类。类内距离类内距离不再减少时，说明阶
格洛米_·2023-01-19 21:41

IJCAI 19 ： Attributed Graph Clustering via Adaptive Graph Convolution ---- PolyU Qimai Li

文章信息摘要然而，对于图卷积如何影响聚类性能以及如何正确地使用它来优化不同图的性能的了解有限。现有的方法本质上使用固定的低阶的图卷积，只考虑每个节点几跳内的邻居，没有充分利用节点关系，忽略了图的多样性。本文提出了一种自适应图卷积方法，该方法利用高阶图卷积来捕获全局聚类结构，并自适应地为不同的图选择合适的顺序。1.introduction虽然图卷积在整合结构和特征信息方面被证明非常有效，但关于如何应
Complicated__76·2023-01-19 21:11

【GCN】论文笔记：Attributed Graph Clustering via Adaptive Graph Convolution

基于自适应图卷积的属性图聚类前言方法介绍总结前言属性图聚类是一个具有挑战性的问题，它要求图结构和节点的联合建模属性。虽然图卷积已经被证明在整合结构和特征信息时是非常有效的，但是几乎没有研究说明如何应用它来最大化集群性能。现有的方法基本上都是使用图卷积的固定的（忽略了图的多样性）低阶的（只考虑每个节点几跳内的邻居，没有充分利用节点关系）顺序。在本文中，我们提出了一种自适应的利用高阶图卷积实现属性图聚
予^·2023-01-19 21:40

(AGC)Attributed Graph Clustering via Adaptive Graph Convolution

本文提出了一种自适应图卷积方法(AGC)，该方法利用高阶图卷积来捕获全局的社区结构，并自适应地为不同的图选择合适的顺序。AGC是从图信号处理谱图理论的角度来理解GNN并增强了聚类效果AGC可以自适应的选择高阶信息的阶数AGC包括两个步骤:进行k阶图卷积，获得平滑的特征表示;对学习到的特征进行谱聚类，对节点进行聚类。AGC可以很容易地使用高阶图卷积来捕获全局社区结构，并可以为不同的图选择合适的k值。
东方小虾米·2023-01-19 21:07

Pytorch学习笔记（9）———基本的层layers

ReLU激活层激活Pool池化——BatchNorm批量归一化——Linear(FullConnect)全连接层——Dropout————ConvTranspose反卷积——pytorch中各种层的用法卷积Convolution
永不言弃的小颖子·2023-01-19 18:13

深度学习基本概念｜卷积和池化

CNN中有两层结构是其特有的1.卷积层卷积层是CNN网络中独立的一层，用来进行一种称之为卷积，即convolution的操作，该操作的示意图如下原始图像用一个8x8的矩阵表示，对于这个矩阵，使用了一
生信修炼手册·2023-01-19 17:00

halcon图像滤波（一）halcon实现sobel处理

首先在网上搜索了什么是sobel:一、先是理解一下什么是卷积最容易理解的对卷积(convolution)的解释文字来解释就是：卷积的其中一方参与者是冲击响应，它所描述的的曲线方向与时间流逝一致。
还需要再学习一个·2023-01-19 12:00

caffe网络模型中各层功能的详解

由于Caffe强调模块化设计，因此只允许每个layer完成一类特定的计算，例如convolution操作、pooling、非线性变换、内积运算，以及数据加载、归一化和损失计算等。
马卫飞·2023-01-18 16:49

深度学习入门基础CNN系列——卷积计算

互相关计算虽然卷积层得名于卷积（convolution）运算，但
心无旁骛~·2023-01-18 14:39

Caffe 中convolution的计算

最后一页没画，但是基本上就是FilterMatrix乘以FeatureMatrix的转置，得到输出矩阵Coutx(HxW)，就可以解释为输出的三维Blob（CoutxHxW）。Caffe里用的是CHW的顺序，有些library也会用HWC的顺序（比如说CuDNN是两个都支持的），这个在数学上其实差别不是很大，还是一样的意思。顺便广告一下我吐槽Caffe里面卷积算法的链接：Convolutionin
biulibiuli·2023-01-18 12:08

Transformer的各个块(bottleneck,FFN..)

bottleneck将信息压缩再放大的神经网络结构,可以有效降低模型参数量左边是对输入进行常规卷积，右边是对输入先进行PW(Pointwise_Convolution，可参考我的上一篇博客)，之后用小卷积核进行特征提取
️啊️·2023-01-17 16:38

转置卷积（逆卷积）A guide to convolution arithmetic for deep learning 阅读笔记

首先，转置卷积有时被称为逆卷积但这是不准确的，因为这个过程不是数学的逆运算不推荐使用转置卷积的说法input->卷积->转置卷积->outputinput与output并不同有时被称为逆卷积是因为output与input有相同的shape然后keepinmindthat对于转置卷积都有一个与其等价的普通卷积的形式不过要在输入上做一些变化众所周知一般卷积操作会使图片shape越来越小而转置卷积可以用
shinra1012·2023-01-17 12:45

转置卷积（Transposed Convolution）

在介绍UNet的时候，我们提到了转置卷积，在UNet右侧分支上，对特征上采样的其中一种实现方式即为转置卷积（另一种为双线性插值）。所以今天我们就来看看转置卷积的实现细节。由于篇幅原因，本篇不展开太多，只讲核心实现。关于转置卷积（以及各种卷积的）详细实现，可以参考论文：Aguidetoconvolutionarithmeticfordeeplearning转置卷积首先也是一种卷积操作，绝大部分转置卷
牧羊女说·2023-01-17 12:44

关于group convolution 和 depth-wise separable convolution的理解

整体可以参考这里以下是我的个人理解的补充，方便日后回顾normalconvolution：普通卷积对于每一个输入channel都提供一套卷积参数，例如卷积核为K∗KK*KK∗K，输出channel为CoutC_{out}Cout，则对于每一个输入channel，卷积参数为K∗K∗CoutK*K*C_{out}K∗K∗Cout。因此如果输入channel为CinC_{in}Cin，则全部参数为Cin
平凡搬砖·2023-01-17 09:51

Pytorch：能够减少计算量的非对称卷积（asymmetric convolution）的pytorch实现

前言在实际应用中，我们可能会遇到使用非对称卷积的情况，如谷歌的inceptionv3v4中就有使用1x7，7x1的卷积，这和我们平时使用的3x3卷积不同，是不对称的。计算量相比直接进行卷积，非对称卷积能够减少计算量。原来是n×n次乘法，改了以后，变成了2×n次乘法了，n越大，运算量减少的越多。假设有一个5x5大小的特征图，使用3x3的卷积，不进行padding（即valid），步长默认为1。计算量
全员鳄鱼·2023-01-17 09:45

group convolution (分组卷积)的计算量详解、卷积计算量特征图大小，池化特征图大小、深度通道deep-wise 卷积

groupconvolution(分组卷积)的计算量详解、卷积计算量特征图大小，池化特征图大小、深度通道deep-wise卷积提示：最近忙着各种提前批的笔试面试，所以没太多空刷题了都，先复盘一下各种笔试面试题文章目录groupconvolution(分组卷积)的计算量详解、卷积计算量特征图大小，池化特征图大小、深度通道deep-wise卷积@[TOC](文章目录)之前我讲过普通卷积的计算量这里我提
冰露可乐·2023-01-17 09:14

【机器学习】深度学习和卷积神经网络

ILSVRCAlexNetVGGNet谷歌的GoogLeNet微软的残差网络ResNetSENet参考华为云学院卷积神经网络卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种前馈神经网络，它包括（convolution
sword_csdn·2023-01-16 10:49

gitchat训练营15天共度深度学习入门课程笔记(十三)

7.5CNN的实现7.6CNN的可视化7.6.1第1层权重的可视化7.6.2基于分层结构的信息提取7.7具有代表性的CNN7.7.1LeNet7.7.2AlexNet7.5CNN的实现CNN各层示意图：隐藏层：Convolution-ReLU-Pooling
weixin_43114885·2023-01-16 08:21

PyTorch 深度学习实践 第十讲 ---卷积神经网络基础篇

卷积(convolution)后，C(Channels)变，W(width)和H(Height)可变可不变，取决于是否paddi
Vinsada·2023-01-16 06:34

交叉相关与卷积 Cross-correlation v.s. convolution

然而，深度学习中的卷积（Convolution）本质上是信号/图像处理中的互相关(Cross-correlation)。这两种操作之间有细微的区别，但不必深入细节。
大别山伧父·2023-01-16 04:16

KPConv: Flexible and Deformable Convolution for Point Clouds论文笔记

论文概述1.KernelPointConvolution左边为2D卷积示意图，在对图像的做卷积时，kernel可以理解成一些带权重的规则分布的2D位置（网格/窗口）。推广到点云，因为点云表示是不规则的，所以作者用了一个带权重的点集（kernelpoints）类比2Dkernel，不同的地方是输入点云要和kernelpoints里面的每一个点的权重矩阵相乘然后通过一个相关系数(correlation
weixin_42812109·2023-01-15 14:56

论文阅读：KPConv: Flexible and Deformable Convolution for Point Clouds

论文地址：KPConv:FlexibleandDeformableConvolutionforPointClouds本文提出里一种新的适用于点云的卷积方式，不需要使用点云的任何其他中间表达形式（如将点云投影到2d，或使用提速网格等）这种卷积方式比固定化的网格卷积要更灵活（对于点云的分类和分割任务来说）KPConv全称KernelPointConvolution，使用一系列局部的3d卷积核，不同于网
跨越海的风·2023-01-15 14:26

论文阅读 KPConv: Flexible and Deformable Convolution for Point Clouds

该文发表于ICCV2019，二作是PointNet、PointNet++的作者CharlesR.Qi。该文提出专门用于点云数据处理的卷积算法KPConv（KernelPointConvolution），可用于点云分类和语义分割问题，在多个benchmark数据集上均能取得stateoftheart的效果，甚至在几个数据集上超过第二名7-8个百分点下载论文点这里KPConv:FlexibleandD
资瓷向量机·2023-01-15 14:55

Tensorflow：UnknownError (see above for traceback): Failed to get convolution algorithm.

UnknownError(seeabovefortraceback):Failedtogetconvolutionalgorithm.ThisisprobablybecausecuDNNfailedtoinitialize,sotrylookingtoseeifawarninglogmessagewasprintedabove.解决方案：#-----------------------------
李伯爵的指间沙·2023-01-14 21:55

【图像分割论文阅读】DeepLabV3+:Encoder-Decoder with Atrous Separable Convolution for SemanticImageSegmentation

本文出自谷歌Liang-ChiehChen团队，收录于CVPR2018论文地址Encoder-DecoderwithAtrousSeparableConvolutionforSemanticImageSegmentation背景空间金字塔池化SPP以及编解码器Encoder-decoder结构常被用于语义分割任务中。前者以不同比率、不同大小的感受野的卷积池化操作在多尺度上编码上下文信息。而后者通过
LawenceRay·2023-01-14 12:48

卷积神经网络基础概念理解（一）

4.像素深度5.举例说明二卷积概念1.卷积核（Kerner）2.过滤器（Filter）3.通道（Channels）4.感受野5.填充（Padding）6.步长（Stride）7.空洞卷积8.卷积计算（Convolution
猪悟道·2023-01-13 10:28

【论文阅读】【三维语义分割】Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR Segmentation

文章目录Cylinder3DCylindricalPartitionbackboneDDCMPoint-wiseRefinementModuleExperimentablationstudyGeneralizationAnalyses总结CylindricalandAsymmetrical3DConvolutionNetworksforLiDARSegmentation投递CVPR2021目前Se
麒麒哈尔·2023-01-12 23:57

详解3D点云分割网络 Cylindrical and Asymmetrical 3D Convolution Networksfor LiDAR Segmentation

本文介绍一篇3D点云分割网络：Cylinder3D，论文已收录于CVPR2021。这里重点是理解本文提出的CylindricalPartition和Asymmetrical3DConvolutionNetwork。论文链接为：https://arxiv.org/pdf/2011.10033.pdf项目链接为：https://github.com/xinge008/Cylinder3D0.Abstr
自动驾驶小学生·2023-01-12 23:52

【论文笔记】IEEE | 一种新卷积 DSConv: Efficient Convolution Operator

论文标题：DSConv:EfficientConvolutionOperator论文链接：https://arxiv.org/abs/1901.01928v2论文代码：发表时间：2019年11月创新点实现更低的内存使用，并且加快计算速度Abstract我们引入了一种称为DSConv（分布移位卷积）的卷积层变体，它可以很容易地替换到标准神经网络架构中，并实现更低的内存使用和更高的计算速度。DSCon
来自γ星的赛亚人·2023-01-12 22:49

IEEE | DSConv: Efficient Convolution Operator

论文标题：DSConv:EfficientConvolutionOperator论文链接：https://arxiv.org/abs/1901.01928v2发表时间：2019年11月创新点实现更低的内存使用，并且加快了计算速度概要引入了一种称为DSConv（分布移位卷积）的卷积层变体它可以很容易地替换到标准神经网络架构中，并实现更低的内存使用和更高的计算速度DSConv将传统的卷积核分解为两个组
小鹏AI·2023-01-12 22:47

可分离卷积(Separable convolution)详解

可分离卷积可分离卷积包括空间可分离卷积(SpatiallySeparableConvolutions)和深度可分离卷积(depthwiseseparableconvolution)。假设feature的size为[channel,height,width]空间也就是指：[height,width]这两维度组成的。深度也就是指：channel这一维度。空间可分离卷积具有如下特点乘法次数减少计算复杂度
@左左@右右·2023-01-12 19:19

大数据分析和计算机视觉笔记 (8) - 卷积神经网络图像分析(Convolution Neural Network Image Analytic)

深度学习-卷积神经网络图片分析步骤视觉词袋法流程(Bag-of-Visual-Word)深度学习(DeepLearning)神经网络知识背景其他名词损失函数(lossfunction)激活函数多层感知全连接层(FullyConnectedLayer)挑战网络结构设计学习算法为什么选择卷积神经网络？深度学习模型(DeepLearningModel)卷积神经网络卷积层(ConvolutionLayer
王踹踹·2023-01-12 01:40
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他