深度学习｜表示学习｜卷积神经网络｜Padding（填充）的用处是什么？｜12

admin2025-08-10 10:47:44【世界杯比赛视频】

如是我闻： Padding（填充）是卷积操作中的一个重要概念，它的主要作用是在输入图像的边界上添加像素（通常填充 0）。Padding 的目的是解决卷积过程中 边界像素“丢失” 的问题，同时影响输出特征图的大小。

1. 为什么需要 Padding？

(1) 避免边界信息丢失

卷积核在输入图像上滑动时，通常只能覆盖图像的中心区域，边界区域由于缺少足够的覆盖范围，可能得不到充分处理。如果不使用 Padding，卷积操作会缩小输入图像的大小，导致边界信息逐层丢失。举例：

假设输入图像大小是 n×nn \times nn×n，卷积核大小是 k×kk \times kk×k，步长 s=1s = 1s=1，没有填充（p=0p = 0p=0）时：

输出大小=n−k+1

\text{输出大小} = n - k + 1

输出大小=n−k+1

可以看到每次卷积后图像尺寸都会变小。例如：

n=5n = 5n=5, k=3k = 3k=3 时，输出大小变为 3×33 \times 33×3。再叠加一层卷积，输出会变为 1×11 \times 11×1。

这种逐层缩小的效果会让深度网络中较早的边界信息消失。

(2) 控制输出特征图的大小

如果希望输入和输出的大小一致（即保持边界完整），可以通过 Padding 在输入图像边界补充像素。这种方式在特征提取中非常常用，尤其在卷积神经网络中。

2. Padding 的常见类型

Padding 的方式有多种，最常见的是以下几种：

(1) Zero Padding

在输入图像的边界添加值为 0 的像素。优点：

不会引入新的特征信息，只用于扩展边界。

应用场景：

最常见的填充方式，尤其在图像处理中，Zero Padding 几乎是默认选项。

(2) Reflect Padding

边界的像素值由图像内容反射生成。例如：

原图=[1,2,3]

\text{原图} = [1, 2, 3]

原图=[1,2,3]

Padding 后：

反射填充=[2,1,1,2,3,3]

\text{反射填充} = [2, 1, 1, 2, 3, 3]

反射填充=[2,1,1,2,3,3]优点：

避免引入“全 0”像素的影响，保持边界像素的自然性。

(3) Replicate Padding

边界像素的值直接复制。例如：

原图=[1,2,3]

\text{原图} = [1, 2, 3]

原图=[1,2,3]

Padding 后：

复制填充=[1,1,1,2,3,3]

\text{复制填充} = [1, 1, 1, 2, 3, 3]

复制填充=[1,1,1,2,3,3]优点：

保持边界像素一致性，适用于特定边界敏感的场景。

3. Padding 的作用总结

(1) 控制输出大小

Padding 会影响输出特征图的大小。如果没有填充（p=0p = 0p=0），每次卷积操作都会让输入图像缩小。如果希望输入输出大小一致，可以选择适当的 Padding 值：

p=k−12

p = \frac{k - 1}{2}

p=2k−1​

其中 kkk 是卷积核的大小。例如：

k=3k = 3k=3，p=1p = 1p=1，输出大小保持不变。

(2) 保留边界信息

Padding 可以让卷积核覆盖到输入图像的边界像素，避免边界信息被忽略。没有 Padding 的情况下，边界像素对特征图几乎没有贡献。

(3) 增强特征提取的稳定性

在深层卷积网络中，随着层数加深，输入尺寸会逐渐减小。如果没有 Padding，卷积核将只能提取图像中心的特征，边界特征容易被丢失。通过 Padding，可以保留更多全局信息，使网络提取的特征更全面。

总的来说

Padding 的主要作用是：

控制输出大小：让卷积操作后，输入和输出的尺寸可以一致。避免边界信息丢失：保留输入图像的边界特征，使其参与卷积运算。提升网络表达能力：更好地提取图像的全局和边界特征。

以上