私は、FFTによるコンボリューションは、実空間でのコンボリューションよりも計算の複雑さが低いことを認識しています。しかし、FFTコンボリューションの弱点は何ですか?FFTによる畳み込みの短所は、実空間畳み込みと比べて何ですか?
カーネルサイズは常にイメージサイズと一致する必要がありますか、これを処理する関数がありますか?たとえば、pythons numpyやscipyパッケージの場合は?アンチエイリアス効果はどうですか?
私は、FFTによるコンボリューションは、実空間でのコンボリューションよりも計算の複雑さが低いことを認識しています。しかし、FFTコンボリューションの弱点は何ですか?FFTによる畳み込みの短所は、実空間畳み込みと比べて何ですか?
カーネルサイズは常にイメージサイズと一致する必要がありますか、これを処理する関数がありますか?たとえば、pythons numpyやscipyパッケージの場合は?アンチエイリアス効果はどうですか?
FFT畳み込みは述べconvolution theorem、に基づいているgivem二つの機能f
とg
、Fd()
とFi()
ダイレクトを表し、逆フーリエ変換すると、と*
と.
次いで畳み込み乗算、その:
f*g = Fi(Fd(d).Fd(g))
は信号f
とカーネルg
にこれを適用するには、あなたがの世話をする必要があるいくつかのものがあります
f
とg
は、乗算ステップを可能にするために同じサイズでなければならないため、カーネルをゼロパッドする必要があります。あなたのシグナルとカーネルサイズがある場合はf_l
とg_l
は、g_l * (f_l - g_l + 1)
乗算と加算が必要(g_l - 1) * (f_l - g_l + 1)
。
FFTの手法では、少なくともf_l + g_l
のサイズとf_l + g_l
の乗算の3つのFFTを実行する必要があります。
f
とg
の両方のサイズが大きい場合、FFTはその複雑さが明らかに優れています(n*log(n)
)。小さなカーネルでは、直接的なアプローチがより高速になるかもしれません。
scipy.signal
には、convolve
とfftconvolve
の両方の方法があります。そして、fftconvolve
は、上記のすべてのパディングを透過的に処理します。
"ほとんどの(すべて?)FFTパッケージは大きなプライムファクタを持たないサイズでのみうまく動作します。あなたがスピードだけを話しているという正確さ、計算自体は問題ではありません(少なくともnumpyとscipyで)。 –
はい、本当に、私の答えにメモを追加しました。典型的なFFTアルゴリズムは、サイズ「N = a * b」のDFTをサイズ「b」の「a」FFTに再帰的に分解する。 'N 'が素数ならば、高速化のためには、より洗練されたアルゴリズムが必要です(http://en.wikipedia.org/wiki/Rader%27s_FFT_algorithm)。私のPCで: '%time numpy.fft.fft(np.random.rand(1024));ループ10000回、ループ3回あたり36.2 us。 %timeit numpy.fft.fft(np.random.rand(1021)); 100回のループ、3:2.15ms /ループ(最高100回の減速)であり、プライムサイズのDFTが加速なしで直接的に計算されるように思われる。 – Jaime
FFTWには加速があります:「小さな素因数を持つサイズが最適ですが、FFTWは素数サイズでもO(N log N)アルゴリズムを使用します。」それは多重処理もサポートしています。これはpythonからpyfftwで使用可能です。 –
高速畳み込みは直接型畳み込みよりも "大きなO"複雑性が優れていますが、いくつかの欠点や注意点があります。私はan articleのこの話題についていくつか考えました。私はしばらく前に書きました。
"big O"の複雑さが改善されていると、必ずしも優れているとは限りません。ダイレクトフォームコンボリューションは、特定のサイズより小さいフィルタに対してFFTを使用するよりも高速になります。正確なサイズは、使用されるプラットフォームと実装によって異なります。交叉点は通常10〜40の係数範囲にある。
遅延。高速畳み込みは本質的にブロックワイズアルゴリズムです。数百または数千のサンプルを変換する前に一度にキューイングすることは、リアルタイムアプリケーションによっては受け入れられない場合があります。
実装の複雑さ。ダイレクトフォームは、メモリ、コードスペース、ライター/メンテナーの理論的背景の面でより簡単です。
固定小数点DSPプラットフォーム(汎用CPUではなく):固定小数点FFTの制限されたワードサイズを考慮すると、大きな固定小数点FFTはほとんど役に立たなくなります。サイズスペクトルのもう一方の端では、これらのチップは、直接形FIR計算を実行するために設計された特殊なMAC命令を持っており、te O(N^2)の直接形式がO(NlogN)より高速です。これらの要因は、固定小数点FFTが高速畳み込みに役立つ限定された「スイートスポット」を生成する傾向があります。
周波数領域での畳み込みは、カーネルが特定のサイズを超えると、より効率的になることに注意してください。相対的に小さなカーネルでは、直接畳み込みがより効率的です。 –