一.空洞卷积 空洞卷积是是为了解决基于FCN思想的语义分割中,输出图像的size要求和输入图像的size一致而需要upsample,但由于FCN中使用pooling操作来增大感受野同时降低分辨率,导致upsample无法还原由于pooling导致的一些细节信息的损失的问题而提出的.为了减小这种损失,自然需要移除pooling层,因此空洞卷积应运而生. 所谓空洞卷积,有一种理解就是在卷积核中注入空洞(即0),注入的空洞的数量由参数dilation决定,以 卷积核为例,dilation=2即在卷积核

Dilated Convolutions,中文一般称为空洞卷积或者扩张卷积,是一种改进的图像卷积方法. 扩张卷积工作示意图如下: 图a是普通的卷积,感受野是3*3,相当于扩充dilation=0 图b是扩张卷积,感受野是7*7,dilation=2 图c是扩张卷积,感受野是15*15,dilation=4  扩张卷积中多了一个扩充率参数(dilation rate),用来控制扩张(空洞填充)的大小,扩充率参数越大,同等卷积核大小对应的感受野越大.扩充卷积对普通卷积的改进就是为了获得更大的感受野.

CNN从2012年的AlexNet发展至今,科学家们发明出各种各样的CNN模型,一个比一个深,一个比一个准确,一个比一个轻量.我下面会对近几年一些具有变革性的工作进行简单盘点,从这些充满革新性的工作中探讨日后的CNN变革方向. 注:水平所限,下面的见解或许有偏差,望大牛指正.另外只介绍其中具有代表性的模型,一些著名的模型由于原理相同将不作介绍,若有遗漏也欢迎指出. 一.卷积只能在同一组进行吗?-- Group convolution Group convolution 分组卷积,最早在AlexN

扩张卷积(Dilated convolutions)是另一种卷积操作,也叫做空洞卷积(Atrous convolution).相比于普通的卷积,相同的卷积核,空洞卷积能够拥有更大的感受野. 相同的卷积核,扩张卷积在计算的时候可以把卷积看成是按照一定值进行了扩张,以3*3的卷积核为例子,如果扩张系数为2的话,该卷积核在计算的时候就像是一个5*5的卷积核,如图所示: 图(a)可以看成是扩张系数为1的扩张卷积,起作用就跟普通的卷积一样,当扩张系数为2的时候,扩张卷积就编程图(b)的形式,但是实际计算的

空洞卷积, 从图中可以看出,对于一个3*3的卷积,可以通过使用增加卷积的空洞的个数,来获得较大的感受眼, 从第一幅图中可以看出3*3的卷积,可以通过补零的方式,变成7*7的感受眼,这里补零的个数为1,即dilated等于2 空洞卷积在语义分割中的使用较多,因为涉及到向下卷积和向上卷积,为了不使用padding降低图片的维度,造成feature_map的信息损失,同时又可以在一定程度上增加感受眼.使用了这种空洞卷积的方式,增加感受眼,在语义分割中的使用方法是:使用多个不同尺度的空洞卷积,将最后的结

介绍关于空洞卷积的理论可以查看以下链接,这里我们不详细讲理论: 1.Long J, Shelhamer E, Darrell T, et al. Fully convolutional networks for semantic segmentation[C]. Computer Vision and Pattern Recognition, 2015. 2.Yu, Fisher, and Vladlen Koltun. “Multi-scale context aggregation by d

卷积是CNN非常核心的操作,CNN主要就是通过卷积来实现特征提取的,在卷积操作的计算中会设计到几个概念:步长(strides).补充(padding).卷积核(kernel)等,那卷积的输出分辨率计算一般就会与这几个参数有关(空洞或者扩张卷积暂时不纳入这个范围),以下计算不做说明的话,均考虑卷积核大小为3*3.所以这一篇就以二维卷积为例子简单记录下卷积的一点计算公式. 以下以s代表步长,p代表补充,k代表卷积核.i代表输入分辨率.o代表输出分辨率,[]代表向下取整(因为公式编辑器里找不到向下取整

ESPNet系列的核心在于空洞卷积金字塔,每层具有不同的dilation rate,在参数量不增加的情况下,能够融合多尺度特征,相对于深度可分离卷积,深度可分离空洞卷积金字塔性价比更高.另外,HFF的多尺度特征融合方法也很值得借鉴   来源:晓飞的算法工程笔记 公众号 ESPNet 论文: ESPNet: Efficient Spatial Pyramid of Dilated Convolutions for Semantic Segmentation 论文地址:https://arxiv.o

上一篇介绍了卷积的输出分辨率计算,现在这一篇就来写下转置卷积的分辨率计算.转置卷积(Transposed convolution),转置卷积也有叫反卷积(deconvolution)或者fractionally strided convolutions. 根据<A guide to convolution arithmetic for deep learning>的介绍的话,在进行卷积操作的时候我们是可以把卷积操作重写为以下的形式: 这个时候,输出是可以表示为 如果反向操作,输入为y的话,要得

原文链接: https://zhuanlan.zhihu.com/p/29119239 卷积层尺寸的计算原理 输入矩阵格式:四个维度,依次为:样本数.图像高度.图像宽度.图像通道数 输出矩阵格式:与输出矩阵的维度顺序和含义相同,但是后三个维度(图像高度.图像宽度.图像通道数)的尺寸发生变化. 权重矩阵(卷积核)格式:同样是四个维度,但维度的含义与上面两者都不同,为:卷积核高度.卷积核宽度.输入通道数.输出通道数(卷积核个数) 输入矩阵.权重矩阵.输出矩阵这三者之间的相互决定关系 卷积核的输入通道

无痛理解CNN中的感受野receptive field CNN中感受野的计算 从直观上讲,感受野就是视觉感受区域的大小.在卷积神经网络中,感受野的定义是决定某一层输出结果中一个元素所对应的输入层的区域大小 感受野计算时有下面的几个情况需要说明: a)第一层卷积层的输出特征图像素的感受野的大小等于滤波器的大小: b)深层卷积层的感受野大小和它之前所有层的滤波器大小和步长有关系: c)计算感受野大小时,忽略了图像边缘的影响,即不考虑padding的大小. 至于如何计算感受野,我的建议是top to

默认feature maps的宽和高相等. 常规卷积 输入的feature maps尺寸为i,卷积核的尺寸为k,stride为s,padding为p,则输出的feature maps的尺寸o为 当padding为 VALID 时,p 值等于 0,代入相应的 i,k,p,s 就可以相应的计算出 o 值了. 当padding为 SAME 时,步长 s 为 1 时,输出的 o == i,我们则可以计算出相应的 p 值为 p = (f-1) / 2 空洞卷积(Dilated convolutions)

卷积神经网络的应用:卷积神经网络使用卷积提取图像的特征来进行图像的分类和识别       分类                        相似图像搜索                                  目标识别                               语义分割 卷积神经网络与神经网络的形状对比, 卷积是有厚度的 卷积在提取特征时的图像变化,从刚开始较低水平的特征图,到最后较高水平的特征图的变化,原先提取的是图片的特征,后面提取到的是一些高级的分类特征 1.

随着深度学习的飞速发展,对处理器的性能要求也变得越来越高,随之涌现出了很多针对神经网络加速设计的AI芯片.卷积计算是神经网络中最重要的一类计算,本文分析了高性能卷积计算中的数据复用,这是AI芯片设计中需要优化的重点之一,具体思路如下 数据复用的动机 存储-计算分离框架下,针对卷积计算的优化思路 针对卷积计算的硬件架构设计分析 已经面临的挑战和解决方向 神经网络中数据复用的未来 1. 高性能卷积计算中数据复用的动机 深度学习的发展过程中,较高的计算量是制约其应用的因素之一.卷积神经网络中,主要计算

目录: 1.经典的卷积层是如何计算的 2.分析卷积层的计算量 3.分析卷积层的参数量 4.pytorch实现自动计算卷积层的计算量和参数量 1.卷积操作如下: http://cs231n.github.io/assets/conv-demo/index.html 假设卷积层的输入特征图大小为C_in x H x W, 卷积核大小为K_1 x K_2, padding = P_1 x P_2, stride = S_1 x S_2, filter 数目为C_out. 输出的特征图大小为C_out

1. tf.nn.moments(x, axes=[0, 1, 2])  # 对前三个维度求平均值和标准差,结果为最后一个维度,即对每个feature_map求平均值和标准差 参数说明:x为输入的feature_map, axes=[0, 1, 2] 对三个维度求平均,即每一个feature_map都获得一个平均值和标准差 2.with tf.control_dependencies([train_mean, train_var]): 即执行with里面的操作时,会先执行train_mean 和

原文链接:关于感受野的总结 论文链接:Understanding the Effective Receptive Field in Deep Convolutional Neural Networks 一.感受野 感受野被定义为卷积神经网络特征所能看到输入图像的区域,换句话说特征输出受感受野区域内的像素点的影响.下图展示了一个在输出层达到了7*7感受野的例子: 感受野计算公式为:, 如上例第一个隐层,, 如果存在空洞卷积,公式变为. 感受野计算的问题 上文所述的是理论感受野,而特征的有效感受野(

Dilation 卷积,也被称为:空洞卷积.膨胀卷积. 一.一般的卷积操作: 首先,可以通过动态图,理解正常卷积的过程: 如上图,可以看到卷积操作. 对于CNN结构,通常包括如下部分: 输入层 (input layer)---  卷积计算层 (CONV)--- 激励层(RELU) --- 池化层(Pooling) --- 全连接层(FC) 通常利用卷积来实现数据的特征提取.卷积层还有一个权值共享的原则:用一句话表达就是每个神经元只关注一个特征. 当然卷积完经过激励层做一个非线性映射,输出后就到P

https://www.leiphone.com/news/201709/AzBc9Sg44fs57hyY.html 推荐另一篇很好的总结:变形卷积核.可分离卷积?卷积神经网络中十大拍案叫绝的操作. 这篇总结很专业,并且很好的回答了评论中的疑问: Depthwise Separable Convolution 就是卷积加 group 吧? 这篇文章里是这么说的: 要注意的是,Group conv 是一种 channel 分组的方式,Depthwise +Pointwise 是卷积的方式,只是 S

1.写在前面 实验表明,RNN 在几乎所有的序列问题上都有良好表现,包括语音/文本识别.机器翻译.手写体识别.序列数据分析(预测)等. 在实际应用中,RNN 在内部设计上存在一个严重的问题:由于网络一次只能处理一个时间步长,后一步必须等前一步处理完才能进行运算.这意味着 RNN 不能像 CNN 那样进行大规模并行处理,特别是在 RNN/LSTM 对文本进行双向处理时.这也意味着 RNN 极度地计算密集,因为在整个任务运行完成之前,必须保存所有的中间结果. CNN 在处理图像时,将图像看作一个二维