2回答
上采样卷积没有参数
、、、
我读过许多关于卷积神经网络用于超分辨率或图像分割或自动编码器等的论文。他们在不同的问题中使用了不同类型的上采样、aka反卷积和here上的讨论。中有一个函数Here在Keras中有一些 我实现了Keras one： x = tf.keras.layers.UpSampling1D(size=2)(x) 我用的是从一个超分辨率的repo here上偷来的self.r], [[0,0]]) # (1, r*w, b)
X = tf.transpose(X, [2,1,0
浏览 75提问于2020-04-15得票数 0
回答已采纳
我想使用Keras的layer Conv2Dtranspose和Conv3Dtranspose来做反卷积(同时进行上采样和卷积)。我可以构建和编译我的模型，但上采样部分似乎不起作用，即使我修改了参数dilate_rate。或者我误解了这一层是如何工作的？
浏览 11提问于2018-02-10得票数 1
回答已采纳
人们以不同的方式实现上卷积。基本上，一种是进行分数步长卷积，另一种是首先对图像进行上采样，然后进行卷积。我在和UNet的实现中看到了第一个，但是我还没有在发表的论文的任何官方实现中看到第二个。不知道有没有人能举个例子，在出版物的官方源代码中使用第二种方法？
此外，在第二种方法中，上采样函数可以具有不同的行为(例如双线性、线性等)。但论文的作者通常只说“上卷积/上采
浏览 1提问于2017-11-09得票数 2
1回答
有人能解释卷积和次采样层之间的区别吗？
在卷积步骤中，我们定义了带权值的卷积滤波器()，而在次采样步骤中，我们应用卷积滤波器，并使用大步和池来确定它们的大小，这是正确的吗？
浏览 2提问于2018-12-05得票数 0
回答已采纳
2回答
在中，所有层都有激活函数，但在上采样层中似乎没有激活函数(即使用转置卷积)。为什么这比激活功能提供更高的效率？根据我的理解，激活函数提供非线性。因此，这个问题实际上是，在转置卷积中保持线性而在正则卷积上保持非线性有什么好处。在这些层中有一个激活函数不是总是最好的吗？
我唯一的直觉是，也许，他们试图保持与常规形态插值方法密切相关的上采样。
浏览 0提问于2019-01-22得票数 2
回答已采纳
我试着去理解扩张卷积。我已经熟悉了通过用零填充空白来增加内核大小的方法。它有助于覆盖更大的区域，更好地了解更大的物体。但是，有人能给我解释一下，扩张的卷积层是如何保持感受野的原始分辨率的吗？如何在没有零填充的情况下使用具有明显更大的核的扩张卷积，并且输出尺寸将是一致的。 deeplabV3+结构： ? 我很困惑，因为当我在这里看到这些解释时： ? 膨胀卷积层的输出尺寸(3x3)更小？ 非常感谢你的帮助！ 卢卡斯
浏览 93提问于2019-03-06得票数 2
在这段代码中，UpSampling2D和Conv2DTranspose似乎可以互换使用。我想知道为什么会发生这种事。from keras.layers import Input, Conv2D, MaxPooling2D, UpSampling2D, concatenate, Conv2DTranspose, BatchNormalizati
浏览 10提问于2018-12-06得票数 39
回答已采纳
我正在研究用于图像分割的完全卷积神经网络，到目前为止，我已经研究和理解了反分裂网络。遵循本教程(上采样)，我无法真正理解“跳过”方法是如何工作的。我知道如何将最大解池和转置卷积应用于过采样，但是“跳过”方法与这两种方法有什么关系呢？
为什么我们要用这种“跳过”的方法呢？最大解池和转置卷积不足以提高采样和返回一个更好的分辨率地图？
浏览 0提问于2019-12-01得票数 2
回答已采纳
4回答
在这个pytorch代码示例中，它们将下行示例定义为第44行中的变量。第58行使用它作为函数。作为CNN的观点和python代码的观点，这个下样例是如何工作的。我寻找的是下样是否有任何内置功能。但事实并非如此。 expansion = 1
super(BasicBlock, self).__init__()
浏览 0提问于2019-04-15得票数 8
回答已采纳
1回答
我的问题是，如果我要通过无监督学习来完成一项非图像多类分类任务，那么在不考虑数据集也很重要这一事实的情况下，使用深度信念网络或卷积神经网络更好吗？
与图像分类任务相关的一个类似问题在这里被问到了。答案指出，DBN在非图像分类任务上可能比CNN表现更好，但是否有任何证据可以证明这一点，或者有任何论文对此进行了更深入的探讨？
浏览 10提问于2020-01-28得票数 0
回答已采纳
1回答
空间变压器网络与变形卷积
、、、
可变形卷积https://arxiv.org/abs/1703.06211从文件中：对我来说，STNs增加了输入图像，而DC增加了内核形状。
浏览 0提问于2018-03-23得票数 5
1回答
现在，我想从改进的VGG16网络中获得每一层的输出，并在每一层上应用卷积，然后将它们向上采样到相同的大小并将它们相加。这是为了识别图像中的重要区域。#upsample it to the size of the input image
#store this in hypercolumns list 最后，在对所有图层进行上采样后现在，我对如何在不创建模型和进行上采样的情况下应用卷积感到困惑。在keras中有没有</em
浏览 16提问于2019-09-12得票数 0
回答已采纳
2回答
什么是亚像素卷积？
、、、、
现在，我使用转置卷积对图像进行上采样。但我听说过很多关于亚像素卷积做得更好的说法。那么什么是亚像素卷积以及它背后的数学原理呢？为什么它比转置卷积更好？(举个例子就好了)
浏览 2提问于2020-01-22得票数 5
1回答
我试着训练一个完全卷积网络(FCN)来进行密集的预测。我们将2×上采样初始化为双线性插值，但允许学习参数。
当我阅读他们的时，这些层的学习倍数为零。
浏览 1提问于2017-04-10得票数 1
回答已采纳
1回答
特征图不下采样时转置卷积的必要性
、、、、
本文提出了一个对称的发电机网络，它包含一个卷积层和一个反卷积(反卷积)层。文中还提到，使用1的步长和适当的填充以确保特征映射大小与输入图像大小相同。我的问题是，如果没有下采样，那么为什么使用转置卷积层呢？不能只用卷积层来建造发电机吗？我是不是遗漏了一些关于转置卷积层的东西(它是否被用于其他用途)？请帮帮忙。然而，我无法理解这一点，因为在提议的模型中没有对特征图进行下采样。有人能解释为什么这里的反褶积比卷积</
浏览 0提问于2017-06-28得票数 0
1回答
Unet到底是什么？
、、、、
每个对称的完全卷积网络都是Unet吗？ 下采样路径和上采样路径之间的跳过连接是否始终需要应用级联运算符而不是总和？如果我们使用sum，有什么不同呢？ 我可以假设如果一个网络有不相等的no。在上采样层和下采样层中，它是FCN而不是Unet？
浏览 45提问于2019-02-03得票数 0
1回答
假设一个模型是在一维时间序列的多个数据集上训练的。这些数据集是以不同的抽样率收集的。我计划使用卷积神经网络来处理这些时间序列进行分类。我的问题是，在这种情况下，我能对数据或模型本身做些什么来让它“知道”采样频率吗？我只是天真地试着把他们训练在一起，我得到了一个很好的结果。是否有现有的工程？我试着在谷歌上搜索，但到目前为止没有发现任何值得注意的地方。
我对重采样数据犹豫不决，因为我不想通过将插值方法变成一个超参数来意外地删除/引入重要的信息。
浏览 0提问于2021-01-23得票数 2
2回答
为什么膨胀卷积计算效率高？
、、、、
ENet效率的基础是膨胀卷积(除其他外).我理解保存空间分辨率，它是如何计算的，等等，但是我不明白为什么它在计算和内存方面比例如最大池便宜。
ENet：
浏览 7提问于2021-02-16得票数 2
回答已采纳
我能理解正常卷积，但不太了解过采样卷积。在视频中，他解释说，你慢慢地降低过滤器，并使用每个单独的标量作为权重应用于过滤器中的每个值。我很难理解他是如何得到4x4的输出形状的？是否有计算“上卷积”输出的特殊公式？我也搞不懂填充物和它如何影响上褶？📷
浏览 0提问于2018-04-18得票数 0
1回答
我已经看到了几种不同的卷积神经网络(CNN)的架构。我搞不懂哪一种是标准，以及如何决定使用什么。我并不为所使用的层数或所涉及的参数数目感到困惑，而是对网络的组件感到困惑。假设：
CL，SL，CL，SL，CM，Softmax
浏览 2提问于2014-10-17得票数 3
云服务器
ICP备案
对象存储
云直播
腾讯会议
腾讯云开发者
