因果卷积(causal Convolutions)和扩展卷积(Dilated Convolutions) | 您所在的位置:网站首页 › 扩展是什么意思网络 › 因果卷积(causal Convolutions)和扩展卷积(Dilated Convolutions) |
背景
对于序列问题(Sequence Modeling)的处理方法,通常采用RNN或者LSTM,例如处理一段视频/音频,往往会沿着时间方向(时序)进行操作。通常CNN网络都被认为适合处理图像数据而不适合处理sequence modeling问题;而今年来,由于RNN及LSTM这类模型的瓶颈,越来越多的人开始发现其实CNN对于这种序列问题的处理是被大大低估了,CNN建立的model要比之前人们之前用的RNN要好很多,而且简洁。 1. 因果卷积(Causal)传统的CNN模型是无法直接处理Sequence Modeling这种序列问题的,使用因果卷积,其作用就是对与序列问题(sequence modeling),主要抽象为,根据x1…xt和y1…yt-1去预测yt,使得yt接近于实际值
对于因果卷积,存在的一个问题是需要很多层或者很大的filter来增加卷积的感受野 为了解决这个问题,出现了扩展卷积(dilated) 2. 扩展卷积(Dilated)扩展卷积(dilated convolution)是通过跳过部分输入来使filter可以应用于大于filter本身长度的区域。等同于通过增加零来从原始filter中生成更大的filter。
【更详细的介绍可跳转至】:Convolution Network及其变种(反卷积、扩展卷积、因果卷积、图卷积) |
CopyRight 2018-2019 实验室设备网 版权所有 |