吃透空洞卷積（Dilated Convolutions）
重磅干貨，第一時間送達
導讀
?空洞卷積在圖像分割需要增加感受野同時保持特征圖的尺寸的需求中誕生，本文詳細介紹了空洞卷積的誕生、原理、計算過程以及存在的兩個潛在的問題，幫助大家將空洞卷積這一算法“消化吸收”。
一、空洞卷積的提出
二、空洞卷積的原理
卷積為例,展示普通卷積和空洞卷積之間的區(qū)別,如圖2所示
的卷積核,灰色地帶表示卷積后的感受野(后面有相關計算公式,這里都是一層卷積的,直接可以看出來)a是普通的卷積過程(dilation rate = 1),卷積后的感受野為3 b是dilation rate = 2的空洞卷積,卷積后的感受野為5 c是dilation rate = 3的空洞卷積,卷積后的感受野為8
?,卷積核的大小?
?,填充?
?,步長?
?,計算公式如下:
dense prediction problems such as semantic segmentation ... to increase the performance of dense prediction architectures by aggregating multi-scale contextual information(來自[1])
三、感受野的計算
?的卷積,卻可以起到?
?、?
?等卷積的效果,空洞卷積在不增加參數量的前提下(參數量=卷積核大小+偏置),卻可以增大感受野,假設空洞卷積的卷積核大小為?
?,空洞數為?
?,則其等效卷積核大小?
?,例如??的卷積核,則?
?,公式如下(來自[4])
當前層的感受野計算公式如下,其中,?
?表示當前層的感受野,?
?表示上一層的感受野,??表示卷積核的大小
表示之前所有層的步長的乘積(不包括本層),公式如下:
四、潛在的問題及解決方法
Panqu Wang,Pengfei Chen, et al**.Understanding Convolution for Semantic Segmentation.//**WACV 2018 Fisher Yu, et al. Dilated Residual Networks. //CVPR 2017 Zhengyang Wang,et al.**Smoothed Dilated Convolutions for Improved Dense Prediction.//**KDD 2018. Liang-Chieh Chen,et al.Rethinking Atrous Convolution for Semantic Image Segmentation//2017 Sachin Mehta,et al. ESPNet: Efficient Spatial Pyramid of DilatedConvolutions for Semantic Segmentation. //ECCV 2018 Tianyi Wu**,et al.Tree-structured Kronecker Convolutional Networks for Semantic Segmentation.//AAAI2019** Hyojin Park,et al.Concentrated-Comprehensive Convolutionsfor lightweight semantic segmentation.//2018 Efficient Smoothing of Dilated Convolutions for Image Segmentation.//2019
下載1：何愷明頂會分享
在「AI算法與圖像處理」公眾號后臺回復：何愷明，即可下載。總共有6份PDF，涉及 ResNet、Mask RCNN等經典工作的總結分析
下載2：leetcode?開源書
在「AI算法與圖像處理」公眾號后臺回復：leetcode，即可下載。每題都 runtime beats 100% 的開源好書，你值得擁有！
下載3 CVPR2020 在「AI算法與圖像處理」公眾號后臺回復：CVPR2020，即可下載1467篇CVPR?2020論文 個人微信（如果沒有備注不拉群！） 請注明：地區(qū)+學校/企業(yè)+研究方向+昵稱
覺得不錯就點亮在看吧
評論
圖片
表情