51CTO博客>热门标签>卷积核

卷积核

全部文章近期文章热门文章标签简介

【卷积核】内容共 100 条

转载卷积核

以一张图片作为开始吧：这里的输入数据是大小为(8×8)的彩色图片，其中每一个都称之为一个feature map，这里共有3个。所以如果是灰度图，则只有一个feature map。进行卷积操作时，需要指定卷积核的大小，图中卷积核的大小为3，多出来的一维3不需要在代码中指定，它会自动扩充至图片的ch

卷积核

卷积

权重

全连接

ide

阅读 612 评论 2 点赞 0

mb5fed7287e6183 838 天前
转载深度学习面试题16：小卷积核级联卷积VS大卷积核卷积

目录　　感受野　　多个小卷积核连续卷积和单个大卷积核卷积的作用相同　　小卷积核的优势　　参考资料感受野在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入图上的区域，如下图所示：返回目录多个小卷积核连续卷积

卷积

卷积核

级联

参考资料

卷积神经网络

阅读 250 评论 2 点赞 0

mb5fed6fc050005 1310 天前
转载高斯卷积核滤波

通过文章: 高斯卷积核滤波的实现我发现：高斯卷积核矩阵的值由矩阵的坐标和Sigma标准差决定，也就是说越靠近核矩阵中心的位置，在滤波过程中所占比重越大。 #include "iostream" #include "math.h" using namespace std; using namespa ...

卷积核

i++

生成函数

#include

标准差

阅读 288 评论 2 点赞 0

mb5fe55c05ccc1d 617 天前
转载高斯滤波卷积核

print(cv2.getGaussianKernel(3, 0))# 结果：[[0.25][0.5][0.25]]源码: https://github.com/ex2tron/OpenCV-Python-Tutorial/blob/master/10.%20%E5%B9%B3%E6%BB%91%E5%9B%BE%E5%83%8F/cv2_source_code_getGaussia

2d

github

OpenCV

阅读 60 评论 0 点赞 0

待？？？的一天 43 天前
转载卷积神经网络 1*1 卷积核

卷积神经网络 1*1 卷积核

卷积核

卷积

宽高

特征提取

图像特征

阅读 420 评论 2 点赞 0

mb5fdb099dd338a 1875 天前
转载卷积、卷积矩阵（Convolution matrix）与核（Kernel）

在图像处理领域，Kernel = convolution matrix = mask，它们一般都为一个较小的矩阵；用于：Sharpen，Blur， Edge enhance，Edge detect，Emboss（使凸出；在……上作浮雕图案；装饰） 1. 卷积操作与卷积矩阵的等价性（1）创建一维信号 N = 100; s = zeros(N, 1); k = [20, 45, 70]; a

卷积

稀疏矩阵

卷积核

图像处理

编程

阅读 297 评论 0 点赞 0

mb5fd86a704dffe 2314 天前
转载卷积、卷积矩阵（Convolution matrix）与核（Kernel）

在图像处理领域，Kernel = convolution matrix = mask，它们一般都为一个较小的矩阵；用于：Sharpen，Blur， Edge enhance，Edge detect，Emboss（使凸出；在……上作浮雕图案；装饰） 1. 卷积操作与卷积矩阵的等价性（1）创建一维信号 N = 100; s = zeros(N, 1); k = [20, 45, 70]; a

卷积

稀疏矩阵

卷积核

图像处理

其他

阅读 288 评论 2 点赞 0

mob604756e72afd 2314 天前
转载小卷积核的使用妙处

参数量减少，可以更加steadily地增加层数得同时不会太过于担心计算量的暴增 ...

IT

阅读 104 评论 2 点赞 0

mb5fe32930661bd 608 天前
转载 CNN中feature map、卷积核、卷积核个数、filter、channel的概念解释，以及CNN 学习过程中卷积核更新的理解

文章目录 1. feather map的理解 2. feather map 是怎么生成的？ 3. 多个feather map的作用是什么？ 4. 卷积核的理解 5. 卷积核的形状 6. 卷积核个数的理解 7. 卷积核的运算过程 8. filter的理解 9. 理解tensorflow等框架中的参数 channel（featuremap、卷积核数量） 10. CNN的学习过程：更新卷积核的

卷积神经网络

阅读 4372 评论 0 点赞 0

我是天才很好 641 天前
转载 CNN中feature map、卷积核、卷积核个数、filter、channel的概念解释，以及CNN 学习过程中卷积核更新的理解

文章目录1. feather map的理解2. feather map 是怎么生成的？3. 多个feather map的作用是什么？4. 卷积核的理解5. 卷积核的形状6. 卷积核个数的理解7. 卷积核的运算过程8. filter的理解9. 理解tensorflow等框架中的参数 channel（featuremap、卷积核数量）

卷积核

卷积

tensorflow

阅读 299 评论 0 点赞 0

我是天才很好 391 天前
转载卷积核遍历图像的理解，卷积后尺寸计算

三个关键词：1、kernelSize——卷积核大小2、padding——边缘扩充3、step——卷积核移动步长卷积核会按步长遍历图像，把卷积核框住的像素进行卷积（对应像素相乘求和）得到1个中心像素值（9个像素用1个像素代表）。如果遍历后图像尺寸不变，那么步长取1。为了使卷积核的中心可以遍历边缘

卷积核

卷积

编程

阅读 679 评论 2 点赞 0

mob60475705454a 1104 天前
转载图像处理之卷积---任意卷积核的快速实现

卷积其实是图像处理中最基本的操作，我们常见的一些算法比如：均值模糊、高斯模糊、

卷积

数据

ide

阅读 244 评论 0 点赞 0

pengkunfan 433 天前
原创（CVPR-2020）动态卷积：注意力卷积核

动态卷积:注意力卷积核论文题目：Dynamic Convolution: Attention over Convolution Kernelspape

深度学习

cnn

计算机视觉

注意力机制

卷积

阅读 447 评论 0 点赞 0

顾道长生 252 天前
原创关于卷积和卷积核的作用一例

代码：import matplotlib.pyplot as pltimport pylabimport cv

opencv

卷积

卷积核

特征提取

阅读 43 评论 0 点赞 0

豆豆爹 108 天前
转载【深度学习】卷积核的基本概况

什么是卷积核在数学上，卷积核的标准定义是两个函数在反转和移位后的乘

卷积

人工智能

神经网络

算法

python

阅读 105 评论 0 点赞 0

机器学习初学者 156 天前
转载卷积核filter和kernal的区别

在一堆介绍卷积的帖子中，这篇特别之处在于很萌的示例配色，令人眼前一亮，当然直观也是很直观滴，保证了能在昏昏欲睡见周公子前看完。 https://towardsdatascience.com/types-of-convolution-kernels-simplified-f040cb307c37 直观介绍各种迷人的CNN层一个简短的介绍卷积使用“kernel”从输入图像中提取某些“特征”。k

卷积

2d

3d

偏移量

权重

阅读 84 评论 2 点赞 0

mob604756e7db9c 1207 天前
原创 GoogLeNet_1×1的卷积核

1×1的卷积核1x1卷积核优化计算: 示例1x1卷积层代替全连接层的好少...

1x1卷积核

卷积核

卷积

像素点

阅读 27 评论 0 点赞 0

SongpingWang 1692 天前
原创【opencv 学习】【常用的图像卷积核】

今天学习不同样式的核对图像的影响基本可以分成高通滤波和低通滤波两种#一些低通滤波器，就是取图像的低频成分，实际上就是把图像弄得模糊/平缓，消除噪音点，如之前学习的均值滤波和高斯滤波。#一些高通滤波器，就是取图像的高image(name, img):

opencv

计算机视觉

python

卷积核

高斯滤波

阅读 85 评论 0 点赞 0

DreamSeaQainXun 97 天前
转载卷积神经网络的卷积核大小、个数，卷积层数如何确定呢？

向AI转型的程序员都关注了这个号????????????大数据挖掘DT机器学习公众号：datayx卷积神经网络的卷积核大小、卷积层数、每层map个数都是如何确定下来的呢？看到有些答案...

卷积

卷积核

预处理

过拟合

深度学习

阅读 1215 评论 0 点赞 0

datayx 513 天前
原创卷积操作中的卷积核形状到底是怎样的

input shape: 2*5*5kernal size: 2*3*3kernal amount：3卷积核的维度与输入的维度一致，都是三维的。最后的输出的通道数与卷积核数量一致，用了三个卷积核，就会输出三个通道。

计算机视觉

人工智能

计算机

卷积操作

卷积形状

阅读 712 评论 0 点赞 0

元子西瓜瓜 618 天前