[转载]卷积，池化操作后的图像尺寸计算

[转载]卷积，池化操作后的图像尺寸计算

原文

一，卷积操作

若图像为正方形：设输入图像尺寸为WxW，卷积核尺寸为FxF，步幅为S，Padding使用P,经过该卷积层后输出的图像尺寸为NxN：

N=\frac {W-F+2P} {S} +1

若图像为矩形：设输入图像尺寸为WxH，卷积核的尺寸为FxF，步幅为S，图像深度(通道数)为C，Padding使用P，则：

卷积后输出图像大小：

W=\frac {W-F+2P}{S}+1 \
H=\frac {H-F+2P}{S}+1

输出图像的通道数=C

注意：Padding的作用用于解决图像边缘信息损失的问题,用于补充

如same：(same模式只有步长为1时，输入和输出的尺度才相同)

输入特征图为5x5，卷积核为3x3，外加padding 为1，则其输出尺寸为

\frac {5-3+2*1} {1} +1=5

二，池化操作

设输入图像尺寸为WxH，其中W:图像宽，H:图像高，D:图像深度（通道数），卷积核的尺寸为FxF，S:步长

池化后输出图像大小：

W=\frac {W-F} {S} +1\
H=\frac {H-F} {S} +1\

池化后输出图像深度为D

当进行池化操作时，步长S就等于池化核的尺寸，如输入为24x24，池化核为4x4，则输出为

W=\frac {24-4} {4}+1=6

若除不尽，则取较小的数，如池化核为7x7，则输出为

W=[\frac {24-7} {7}] =3

，不是用四舍五入，就是取最小的整数，即使为3.9，也是 取3

三，空洞卷积(也称扩张卷积，膨胀卷积)—dilated convolution

W=\frac {W-d(k-1)-2p} {s} +1

其中 d为空洞卷积的空洞率（正常的卷积d=1），p为padding，k为kernel size

举个例子：

下面的空洞卷积核是d=2，k=2的空洞卷积卷积核。

当d=2，k=2时，-d(k-1)-1 = -3，即相当于 一个k=3的正常卷积核。