问题标签 [deconvolution]

我注意到在很多地方人们使用这样的东西，通常是在全卷积网络、自动编码器和类似的地方：

我想知道这和简单有什么区别：

欢迎提供任何解释这种差异的论文的链接。

我正在尝试创建一个可以对图像中的每个单独像素进行分类的深度 CNN。我正在从本文中的下图中复制架构。在论文中提到使用了反卷积，因此任何大小的输入都是可能的。这可以在下图中看到。

Github 存储库

目前，我已经硬编码我的模型以接受大小为 32x32x7 的图像，但我想接受任何大小的输入。我需要对代码进行哪些更改才能接受可变大小的输入？

当我使用yosinski/deep-visualization-toolbox可视化mnist的 conv 特征时，我发现 deconv 特征什么都没有，图片的左下角 但是 imagenet 的可视化是我想看到的

所以我想知道问题是什么？工具箱的可视化问题还是mnist功能的特殊之处？

我正在寻找适用于一维数组（如光谱数据）的 Richardson-Lucy 反卷积算法的实现。我试过scikit-image，但显然它只适用于图像。

我是 r-cnn 的新手。

mask r-cnn paper上有术语AP、AP50、AP75。50, 75 是小后缀，但我不能让它变小，对不起。无论如何，论文说它是 IOU 阈值的平均值。对于 AP50，仅计算超过 50% 区域比较地面实况的候选者，而对于 AP75，仅计算超过 75% 的候选者。那么什么是空AP呢？我知道 AP 使用 70% IoU 阈值，但它不会。因为只是AP低于AP75。

此外，还有一些我不太理解的术语。他们是 AP，m，L。我知道他们的意思是小，中，大。那么有什么标准它们有多大。只是说小，中，大让我有点困惑。

提前致谢！

如果这不是询问此类问题的适当渠道，我可能有一个幼稚的问题，很抱歉。我已经成功实现了一个用于语义分割的 FCNN，但我不涉及反卷积或反池化层。

我所做的只是将地面实况图像调整为最终 FCNN 层的大小，然后计算我的损失。通过这种方式，我获得了一个较小的图像作为输出，但正确分割。

是否需要反卷积或反池化过程？

我的意思是，在 python 中调整图像大小非常容易，那么为什么要涉及复杂的技术，例如 deconv 或 unpooling 来做同样的事情呢？我当然想念一些东西。

使用 unpooling 和执行 deconv 放大图像有什么优势？

众所周知，我们可以tensor通过padding mode for来计算输出的形状conv2d，算法很清楚，但是我很困惑conv2d_transpose，它是否填充输入张量然后调用conv2d？它在哪里转置过滤器或输入？如何根据填充模式计算输出张量的形状，SAME或者VALID为conv2d_transpose？

我已经看到了两种从可靠来源可视化转置卷积的方法，据我所知它们是冲突的。

我的问题归结为，对于内核的每个应用程序，我们是从3x3具有输入填充的许多（例如）元素变为一个，还是从一个元素变为多个（例如3x3）？

相关问题：tf.nn.conv2d_transpose实现了哪个版本？

我困惑的根源是：

深度学习的卷积算法指南可能是最有名的可视化，但它没有经过同行评审 (Arxiv)。

第二个来自Deconvolution 和 Checkerboard Artifacts，在技术上也没有经过同行评审（Distil），但它来自一个更有信誉的来源。（文中使用了反卷积这个词，但说明这和transposed conv是一样的。）

由于这个问题的性质，很难在网上寻找结果，例如这个SO帖子占据了第一位，但我不确定我能在多大程度上信任它。

...如果是这样，在什么情况下？

卷积层通常会产生较小尺寸的输出。是否可以通过翻转/转置使用的内核并提供填充或类似方式来反转/反转这样的操作？

只看这里卷积层的操作——没有池化层、连接、非线性激活函数等。

我不是在寻找反向卷积操作的几个可训练版本中的任何一个。例如，这可以通过输出空间中的步幅 $\geq 1$ 或输入空间中的固有填充来实现。Vincent Dumoulin 和 Francesco Visin 在他们的github 页面上提供了非常清晰的动画 gif 。深度学习社区对这些操作的命名存在分歧：转置卷积、分数步幅卷积和反卷积都被使用（后者虽然被广泛使用，但由于它不是适当的数学反卷积，因此非常具有误导性）。

我正在尝试对图像I执行反卷积，即nxm。用于对其进行卷积的内核是K，也是nxm。现在我想通过执行反卷积找到原始图像O 。我知道我可以通过对I和K执行傅立叶变换并划分：I / K来检索图像O，因为在傅立叶域中，卷积是一个乘积。（我从这里得到了这个信息）。

我在这里看到了关于如何使用 Eigen FFT 执行正向变换的另一篇文章。

我的正向傅里叶变换代码是：

I = 输入图像（时域）

O = 输出图像（频域）

tempFreq = 计算的临时矩阵（频域）

timevec1 = 浮点向量

freqvec1, freqvec2, freqvec3 = 复向量

我的傅里叶逆变换代码是：

I = 输入图像（频域）

O = 输出图像（时域）

tempTime = 计算的临时矩阵（时域）

timevec1, timevec2 = 浮点向量

freqvec1, freqvec2 = 复向量

对于反卷积，我将频域中的输入图像与频域中的内核相除：

为了得到原始图像，我对 freqDomainOutputImage 执行傅里叶逆变换。

我得到的结果是：

我相信 FFT 将左上角镜像到另一边，但我不知道为什么？我没有使用 halfSpectrum。第二，为什么图像偏移？如果我通过用这个替换最后一个循环将输出图像移动到中心：

然后我的输出是：

（您可以看到图像是从左上象限镜像的）。

最后，为什么即使我自己添加了没有噪音的模糊，它似乎也有噪音？