machine-learning - 何时使用扩张卷积?
问题描述
我不明白空洞卷积的用途是什么,什么时候应该使用它。当我们想要更大的感受野同时节省内存时?通过增加dilation
尺寸,它增加了内核点之间的间距?
解决方案
参考Dilated Convolutions 的 Multi-Scale Context Aggregation,是的,您可以在拥有更大的感受野的同时节省一些内存。如果您想在不损失分辨率或覆盖范围的情况下对感受野进行指数扩展,则可能需要使用扩张卷积。这使我们能够在保持分辨率的同时,以相同的计算和内存成本拥有更大的感受野。池化和跨步卷积也可以“扩展”感受野,但会降低数据的分辨率。
通常,空洞卷积也表现出更好的性能,例如在 DeepLab 中的图像分割和WaveNet中的语音中。
这里显示了扩张的简洁可视化。
推荐阅读
- unqork - 无法登录堆栈溢出 Unqork 社区
- next.js - 请求 worker-javascript.js 时 Next.js getServerSIdeProps 出错
- python - 声明变量占位符时出错
- javascript - react-select - 格式化可创建选项
- sql - SQL Server 触发器无法回滚更改
- c++ - 按名称将默认/“可选”参数传递给 C++ 函数
- python - 根据 Pandas 中的两个日期按月计算总计
- javascript - 如何在 createUserWithEmailAndPassword 上取消 onAuthStateChanged
- c - C 代理崩溃
- google-cloud-platform - GCP 上的 Pytorch:机器类型在此端点上不可用