理解卷积、单通道卷积、深度卷积(多通道卷积)、逐点卷积、实战YoloV1卷积网络、池化计算

原创

已于 2024-01-20 17:10:37 修改 · 1.1w 阅读

于 2023-12-01 10:07:07 首次发布

本文详细介绍了卷积计算的基础过程，包括单通道和多通道卷积，以及深度可分离卷积的原理和优势。通过实例和计算步骤，展示了如何运用不同类型的卷积核（如1x1、3x3等）进行操作，并讨论了池化计算在结构中的作用。还提到了YoloV1网络结构中卷积层的配置。

卷积计算

单通道卷积

最基础的卷积过程，必须理解这个过程

计算过程

确定图像大小
确定Stride步长
确定Padding扩充

设图像大小为（5，5，1），长为5，宽为5，1个通道

设卷积核大小为（3，3），stride=1，padding=0

综上所述我们得到W=5，F=3，P=0，S=1

计算公式

outputSize = [( W-F+2*P ) / S] + 1

在这里插入图片描述

计算结果

= (5-3+0)/1+1=3最终size为3*3，卷积核数量为1所以为（3，3，1）

多通道卷积（深度卷积）

计算过程

确定图像大小（彩色图像比二维多一个通道channel数）
确定Stride步长
确定Padding扩充

设图像大小为（5，5，3），长为5，宽为5，3个通道（RGB）

设卷积核大小为（3，3，3），stride=1，padding=0

卷积核的数量为1，卷积核的通道数为3

综上所述我们得到W=5，F=3，P=0，S=1

计算结果

因为只有一个卷积核所以最后得到的channel是1。

Input(5,5,3)----Conv(3,3,3)---->Output(3,3,1)

遵循公式

输入的通道数 === 卷积核的通道数

输出的通道数 === 卷积核的个数

在这里插入图片描述
假设输入层为一个大小为64×64像素、三通道彩色图片。经过一个包含4个Filter的卷积层，最终输出4个Feature Map，且尺寸与输入层相同。整个过程可以用下图来概括。

逐通道卷积

同样是上述例子，一个大小为64×64像素、三通道彩色图片首先经过第一次卷积运算，不同之处在于此次的卷积完全是在二维平面内进行，且Filter的数量与上一层的Depth相同。所以一个三通道的图像经过运算后生成了3个Feature map，如下图所示：

在这里插入图片描述

逐点卷积

逐点卷积就是多通道卷积的特殊形式，每个卷积核为（1，1）大小。
Pointwise Convolution的运算与常规卷积运算非常相似，不同之处在于卷积核的尺寸为 1×1×M，M为上一层的depth。所以这里的卷积运算会将上一步的map在深度方向上进行加权组合，生成新的Feature map。有几个Filter就有几个Feature map。如下图所示：
在这里插入图片描述

计算过程

使用（1，1，numOfChannels ) 的卷积核进行卷积

思想：使用1x1卷积核，实现降维和升维的操作其实就是channel间信息的线性组合变化，3x3，64channels的卷积核后面添加一个1x1，28channels的卷积核，就变成了3x3，28channels的卷积核，原来的64个channels就可以理解为跨通道线性组合变成了28channels，这就是通道间的信息交互。