CoarseNetd的网络结构其中卷积层详细公式
时间: 2024-05-23 19:13:19 浏览: 10
CoarseNetd 的网络结构中主要使用了以下几种卷积层:
1. 普通卷积层:输入特征图经过卷积核的滑动窗口计算得到输出特征图。假设输入特征图大小为 $H_i \times W_i \times C_i$,卷积核大小为 $k \times k$,卷积核个数为 $C_o$,步长为 $s$,输出特征图大小为 $H_o \times W_o \times C_o$,则普通卷积层的计算公式为:
$$H_o = \lfloor\frac{H_i-k}{s}+1\rfloor$$
$$W_o = \lfloor\frac{W_i-k}{s}+1\rfloor$$
$$C_o = \text{卷积核个数}$$
2. 扩张卷积层:在普通卷积层的基础上增加了扩张率参数 $d$,即在卷积操作时,卷积核内部的元素之间增加 $d$ 个空洞。假设输入特征图大小为 $H_i \times W_i \times C_i$,卷积核大小为 $k \times k$,卷积核个数为 $C_o$,扩张率为 $d$,则扩张卷积层的计算公式为:
$$H_o = \lfloor\frac{H_i-k-(k-1)\times(d-1)}{s}+1\rfloor$$
$$W_o = \lfloor\frac{W_i-k-(k-1)\times(d-1)}{s}+1\rfloor$$
$$C_o = \text{卷积核个数}$$
3. 深度可分离卷积层:将卷积操作拆分为深度卷积和逐点卷积两个步骤,减少参数数量,提高计算效率。假设输入特征图大小为 $H_i \times W_i \times C_i$,深度卷积的卷积核大小为 $k \times k$,卷积核个数为 $C_i$,逐点卷积的卷积核大小为 $1 \times 1$,卷积核个数为 $C_o$,则深度可分离卷积层的计算公式为:
$$H_o = \lfloor\frac{H_i-k+2\times \text{padding}}{s}+1\rfloor$$
$$W_o = \lfloor\frac{W_i-k+2\times \text{padding}}{s}+1\rfloor$$
$$C_o = \text{逐点卷积卷积核个数}$$
其中 $\text{padding}$ 表示对输入特征图进行填充的大小。
相关推荐
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![7z](https://img-home.csdnimg.cn/images/20210720083312.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![7z](https://img-home.csdnimg.cn/images/20210720083312.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![txt](https://img-home.csdnimg.cn/images/20210720083642.png)
![7z](https://img-home.csdnimg.cn/images/20210720083312.png)
![7z](https://img-home.csdnimg.cn/images/20210720083312.png)
![7z](https://img-home.csdnimg.cn/images/20210720083312.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)