深度学习:转置卷积

什么是转置卷积(Transposed Convolution)

转置卷积,又称反卷积(Deconvolution)或上采样卷积(Upsampling Convolution),是一种卷积操作,通常用于生成式模型或图像处理任务中,以增加特征图的空间分辨率。转置卷积的目的是将低分辨率的特征图还原到较高分辨率,即进行空间上采样。

正常卷积操作回顾

在标准卷积操作中,卷积核在输入特征图上滑动,计算局部区域的加权和,从而生成输出特征图。假设我们有以下参数:

  • 输入特征图大小: ( H × W ) (H \times W ) (H×W)
  • 卷积核大小: ( K × K ) ( K \times K ) (K×K)
  • 步幅:( S )
  • 填充:( P )
输出特征图的大小为:

H o u t = H − K + 2 P S + 1 \] \[ H{out} = \\frac{H - K + 2P}{S} + 1 \] \[Hout=SH−K+2P+1

W o u t = W − K + 2 P S + 1 \] \[ W{out} = \\frac{W - K + 2P}{S} + 1 \] \[Wout=SW−K+2P+1

转置卷积的基本原理

转置卷积的操作可以被视为卷积的逆过程。其目的是将小的输入特征图扩展为更大的输出特征图。转置卷积通过插入零元素并使用卷积核计算来实现这一点。

转置卷积的计算步骤:

  • 插入零元素(Zero-Insertions):

    在输入特征图的元素之间插入零元素,增加特征图的尺寸。例如,假设步幅为 ( S ),在每个元素之间插入 ( S-1 ) 个零。

  • 填充(Padding):

    适当填充输入特征图,确保输出特征图具有预期的大小。通常填充策略与卷积核的大小和步幅相关。

  • 卷积操作:

    使用标准卷积操作在填充后的特征图上应用卷积核,生成输出特征图。

假设我们有以下参数:
  • 输入特征图大小: ( H i n × W i n ) ( H{in} \times W{in} ) (Hin×Win)
  • 卷积核大小: ( K × K ) ( K \times K ) (K×K)
  • 步幅:( S )
  • 填充:( P )

输出特征图的大小为:

H o u t = ( H i n − 1 ) × S − 2 P + K \] \[ H{out} = (H{in} - 1) \\times S - 2P + K \] \[Hout=(Hin−1)×S−2P+K

W o u t = ( W i n − 1 ) × S − 2 P + K \] \[ W{out} = (W{in} - 1) \\times S - 2P + K \] \[Wout=(Win−1)×S−2P+K

应用场景

转置卷积广泛应用于以下场景:

  • 生成对抗网络(GANs):在生成器中使用转置卷积将低维噪声向量转换为高维图像。
  • 图像超分辨率:从低分辨率图像重建高分辨率图像。
  • 语义分割:将特征图还原为输入图像的尺寸以生成像素级别的分类图。
通过转置卷积,我们可以有效地对图像进行空间上采样,实现不同的图像生成和重建任务。
相关推荐
chh5635 小时前
从 BERT 到大模型:让模型从“会接龙”到“会回答
人工智能·深度学习·bert
TomEval5 小时前
【测AI】第26篇:线上模型监控与告警体系 — 测试不是终点
人工智能·python·功能测试·ai
ZhengEnCi6 小时前
AI 总模仿代码库里的过时写法怎么办:先清坏样例,再用类型与测试让 AI 无法犯错
人工智能·ai编程
一只爱撸猫的程序猿6 小时前
五周、两个开源仓库、九次拦截之后:AI 时代程序员缺的到底是什么
人工智能·后端·开源
GitCode官方7 小时前
开源鸿蒙跨平台直播|AI 时代,用 cj-tauri 开发鸿蒙 PC 应用
人工智能·华为·harmonyos·atomgit
老金带你玩AI7 小时前
GPT-6.2更强更便宜了,为什么还有人骂?
人工智能
CyrusYiVPP7 小时前
实测 uv 0.13.7:同一套包,pip 装 94 秒,它只用 19 秒
人工智能·python
泯泷8 小时前
OpenClaw 退潮背后,是 AI 圈“技术自嗨”的终结
人工智能·chatgpt·llm
罗西的思考8 小时前
【轻量化复刻大模型 / KIMI K3】Muon 优化器及 训练系统
人工智能·算法·机器学习
屿华AI8 小时前
AUTOSAR 实战-诊断工具 | 用 Claude Code 开发诊断测试工具:AI 协作开发实践
人工智能·测试工具