图像卷积在代码中的实际操作
来源:互联网 发布:歌词星星知我心呐 编辑:程序博客网 时间:2024/06/05 15:35
在代码中卷积的实际计算方法是把被卷积图像和卷积核写成两个大矩阵,其中每一行就是被卷积图像中卷积核区域的像素拉成一行,几个通道都放在同一行,行数就是卷积核在上面滑动的次数。两个矩阵相乘即为输出结果,结果矩阵中的每一列就是feature map的一个通道。
图 1
还有一种方式是左边的矩阵是由卷积核转化来的,右边则是被卷积图像,这样的方式比上面的会复杂点。也是caffe中im2col的做法:把图1中的kernel Matrix的转置放在左边,Input Feature Matrix的转置放在右边,相乘也是得到相同的结果(图1输出矩阵的转置)。
图 2
另外还有一种做法:
比如输入图像和卷积核和图1一样,则转换后左边的矩阵应该是8*27,其中前4行就是第一个卷积核,后4行是第二个卷积核,每一行为一个卷积核在三通道上对应于输入图像位置的权值,右边的矩阵转化后是27*1的矩阵,即把输入图像的每个通道拉成一列,接起来。对于上面的卷积核和输入图像,左边矩阵和右边矩阵为:
得到和第一种方法一样的值
由此根据矩阵论,可以知道反卷积的计算方式。
图1图2参考:https://buptldy.github.io/2016/10/01/2016-10-01-im2col/
阅读全文
0 0
- 图像卷积在代码中的实际操作
- 卷积在图像处理中的应用
- 卷积神经网络及其在图像处理中的应用
- 卷积神经网络及其在图像处理中的应用
- 图像卷积、相关以及在MATLAB中的操作
- 卷积神经网络及其在图像处理中的应用
- 图像处理中的卷积---1.卷积
- 图像卷积及Caffe中的卷积实现
- 图像处理中的卷积运算
- 图像处理中的卷积问题
- 图像处理中的卷积总结
- 图像处理中的卷积总结
- 卷积神经网络在图像分割中的进化史:从R-CNN到Mask R-CNN
- 关于图像处理中的核与卷积、以及卷积边界问题
- 图像处理中的卷积---2.高斯卷积
- 图像处理中的卷积---3.高斯卷积计算梯度
- 图像中的卷积 -- matlab conv2函数
- 图像处理中的卷积与模板
- ssh整合出现 getHibernateTemplate为空
- nyoj_20,模块三搜索
- 学习方法论
- android使用shape画背景阴影、背景颜色渐变
- git 常用命令(含删除文件) git提交本地分支到远程分支
- 图像卷积在代码中的实际操作
- 关于音视频同步的问题。
- WAMPServer —— 更改web根目录
- 解决ViewPager里面包含一个HorizontalScrollVIew触摸冲突问题
- js的forEach,for in , for of
- MySQL之Full Outer Join用法
- 第12周项目1- Prime算法的验证
- dubbo+zookeeper+spring+springMVC+mybatis的使用
- Vue 中的 v-cloak 解读