您好,登錄后才能下訂單哦!
簡(jiǎn)介
我們知道,在對(duì)圖像執(zhí)行卷積操作時(shí),如果不對(duì)圖像邊緣進(jìn)行填充,卷積核將無(wú)法到達(dá)圖像邊緣的像素,而且卷積前后圖像的尺寸也會(huì)發(fā)生變化,這會(huì)造成許多麻煩。
因此現(xiàn)在各大深度學(xué)習(xí)框架的卷積層實(shí)現(xiàn)上基本都配備了padding操作,以保證圖像輸入輸出前后的尺寸大小不變。例如,若卷積核大小為3x3,那么就應(yīng)該設(shè)定padding=1,即填充1層邊緣像素;若卷積核大小為7x7,那么就應(yīng)該設(shè)定padding=3,填充3層邊緣像素;也就是padding大小一般設(shè)定為核大小的一半。在pytorch的卷積層定義中,默認(rèn)的padding為零填充。
self.conv = nn.Conv2d(in_channels=3, out_channels=3, kernel_size=7, padding=3)
padding的種類及其pytorch定義
padding,即邊緣填充,可以分為四類:零填充,常數(shù)填充,鏡像填充,重復(fù)填充。
1.零填充
對(duì)圖像或者張量的邊緣進(jìn)行補(bǔ)零填充操作:
class ZeroPad2d(ConstantPad2d): # Pads the input tensor boundaries with zero. def __init__(self, padding): super(ZeroPad2d, self).__init__(padding, 0)
2.常數(shù)填充
定義一個(gè)常數(shù)來(lái)對(duì)圖像或者張量的邊緣進(jìn)行填充,若該常數(shù)等于0則等價(jià)于零填充。
class ConstantPad2d(_ConstantPadNd): # Pads the input tensor boundaries with a constant value. def __init__(self, padding, value): super(ConstantPad2d, self).__init__(value) self.padding = _quadruple(padding)
3.鏡像填充
對(duì)圖像或者張量的邊緣進(jìn)行鏡像對(duì)稱的填充,示例如下:
>>> m = nn.ReflectionPad2d(2) >>> input = torch.arange(9).reshape(1, 1, 3, 3) >>> input (0 ,0 ,.,.) = 0 1 2 3 4 5 6 7 8 [torch.FloatTensor of size (1,1,3,3)] >>> m(input) (0 ,0 ,.,.) = 8 7 6 7 8 7 6 5 4 3 4 5 4 3 2 1 0 1 2 1 0 5 4 3 4 5 4 3 8 7 6 7 8 7 6 5 4 3 4 5 4 3 2 1 0 1 2 1 0
class ReflectionPad2d(_ReflectionPadNd): # Pads the input tensor using the reflection of the input boundary. def __init__(self, padding): super(ReflectionPad2d, self).__init__() self.padding = _quadruple(padding)
4.重復(fù)填充
對(duì)圖像或者張量的邊緣進(jìn)行重復(fù)填充,就是說(shuō)直接用邊緣的像素值來(lái)填充。示例如下:
>>> m = nn.ReplicationPad2d(2) >>> input = torch.arange(9).reshape(1, 1, 3, 3) >>> input (0 ,0 ,.,.) = 0 1 2 3 4 5 6 7 8 [torch.FloatTensor of size (1,1,3,3)] >>> m(input) (0 ,0 ,.,.) = 0 0 0 1 2 2 2 0 0 0 1 2 2 2 0 0 0 1 2 2 2 3 3 3 4 5 5 5 6 6 6 7 8 8 8 6 6 6 7 8 8 8 6 6 6 7 8 8 8 [torch.FloatTensor of size (1,1,7,7)]
class ReplicationPad2d(_ReplicationPadNd): # Pads the input tensor using replication of the input boundary. def __init__(self, padding): super(ReplicationPad2d, self).__init__() self.padding = _quadruple(padding)
實(shí)際應(yīng)用
在許多計(jì)算機(jī)視覺(jué)任務(wù)中,例如圖像分類,zero padding已經(jīng)能夠滿足要求。但是不結(jié)合實(shí)際地亂用也是不行的。比方說(shuō),在圖像增強(qiáng)/圖像生成領(lǐng)域,zero padding可能會(huì)導(dǎo)致邊緣出現(xiàn)偽影,如下所示:
這時(shí)候,可以改用鏡像填充來(lái)代替零填充操作。我們定義一個(gè)新的padding層,然后把卷積層里的padding參數(shù)置為0.
具體寫(xiě)法如下:
class DEMO(nn.Module): def __init__(self): super(DEMO, self).__init__() self.pad = nn.ReflectionPad2d(1) self.conv = nn.Conv2d(in_channels=3, out_channels=3, kernel_size=3, padding=0) def forward(self, x): x = self.pad(x) x = self.conv(x) return F.relu(x)
以低光照增強(qiáng)任務(wù)為例,最終對(duì)比效果如下圖。零填充會(huì)產(chǎn)生邊緣偽影,而鏡像填充很好地緩解了這一效應(yīng)。
以上這篇PyTorch中的padding(邊緣填充)操作方式就是小編分享給大家的全部?jī)?nèi)容了,希望能給大家一個(gè)參考,也希望大家多多支持億速云。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。