PyTorch中的padding(边缘填充)操作方式
简介
我们知道，在对图像执行卷积操作时，如果不对图像边缘进行填充，卷积核将无法到达图像边缘的像素，而且卷积前后图像的尺寸也会发生变化，这会造成许多麻烦。
因此现在各大深度学习框架的卷积层实现上基本都配备了padding操作，以保证图像输入输出前后的尺寸大小不变。例如，若卷积核大小为3x3，那么就应该设定padding=1，即填充1层边缘像素；若卷积核大小为7x7，那么就应该设定padding=3，填充3层边缘像素；也就是padding大小一般设定为核大小的一半。在pytorch的卷积层定义中，默认的padding为零填充。
self.conv=nn.Conv2d(in_channels=3,out_channels=3,kernel_size=7,padding=3)
padding的种类及其pytorch定义
padding，即边缘填充，可以分为四类：零填充，常数填充，镜像填充，重复填充。
1.零填充
对图像或者张量的边缘进行补零填充操作：
classZeroPad2d(ConstantPad2d): #Padstheinputtensorboundarieswithzero. def__init__(self,padding): super(ZeroPad2d,self).__init__(padding,0)
2.常数填充
定义一个常数来对图像或者张量的边缘进行填充，若该常数等于0则等价于零填充。
classConstantPad2d(_ConstantPadNd): #Padstheinputtensorboundarieswithaconstantvalue. def__init__(self,padding,value): super(ConstantPad2d,self).__init__(value) self.padding=_quadruple(padding)
3.镜像填充
对图像或者张量的边缘进行镜像对称的填充，示例如下：
>>>m=nn.ReflectionPad2d(2) >>>input=torch.arange(9).reshape(1,1,3,3) >>>input (0,0,.,.)= 012 345 678 [torch.FloatTensorofsize(1,1,3,3)] >>>m(input) (0,0,.,.)= 8767876 5434543 2101210 5434543 8767876 5434543 2101210
classReflectionPad2d(_ReflectionPadNd): #Padstheinputtensorusingthereflectionoftheinputboundary. def__init__(self,padding): super(ReflectionPad2d,self).__init__() self.padding=_quadruple(padding)
4.重复填充
对图像或者张量的边缘进行重复填充，就是说直接用边缘的像素值来填充。示例如下：
>>>m=nn.ReplicationPad2d(2) >>>input=torch.arange(9).reshape(1,1,3,3) >>>input (0,0,.,.)= 012 345 678 [torch.FloatTensorofsize(1,1,3,3)] >>>m(input) (0,0,.,.)= 0001222 0001222 0001222 3334555 6667888 6667888 6667888 [torch.FloatTensorofsize(1,1,7,7)]
classReplicationPad2d(_ReplicationPadNd): #Padstheinputtensorusingreplicationoftheinputboundary. def__init__(self,padding): super(ReplicationPad2d,self).__init__() self.padding=_quadruple(padding)
实际应用
在许多计算机视觉任务中，例如图像分类，zeropadding已经能够满足要求。但是不结合实际地乱用也是不行的。比方说，在图像增强/图像生成领域，zeropadding可能会导致边缘出现伪影，如下所示：
这时候，可以改用镜像填充来代替零填充操作。我们定义一个新的padding层，然后把卷积层里的padding参数置为0.
具体写法如下：
classDEMO(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) defforward(self,x): x=self.pad(x) x=self.conv(x) returnF.relu(x)
以低光照增强任务为例，最终对比效果如下图。零填充会产生边缘伪影，而镜像填充很好地缓解了这一效应。
以上这篇PyTorch中的padding(边缘填充)操作方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。