【上采样与下采样】

上采样与下采样

下采样

下采样即缩小图像，主要有两个目的：
（1）使得图像符合需要的大小；
（2）生成对应图像的缩略图。

下采样的原理很简单，比如对于一幅尺寸为MxN的图像，对其进行s倍下采样，即得到(M/s)x(N/s)尺寸的图像。这可以通过把原始图像划成sxs的窗口，使每个窗口内的图像变成一个像素，这个像素点的值可以是窗口内所有像素的均值或者最大值等等。另外我认为高斯滤波等卷积方式本身也是一种下采样。

1、下采样的作用是什么？通常有哪些方式？
下采样层有两个作用
一是减少计算量，防止过拟合；
二是增大感受野，使得后面的卷积核能够学到更加全局的信息。

下采样的方式主要有两种：
1、采用stride为2的池化层，如Max-pooling和Average-pooling，目前通常使用Max-pooling，因为他计算简单而且能够更好的保留纹理特征；
2、采用stride为2的卷积层，下采样的过程是一个信息损失的过程，而池化层是不可学习的，用stride为2的可学习卷积层来代替pooling可以得到更好的效果，当然同时也增加了一定的计算量。

上采样

其目的是放大图像，它并不能带来更多关于该图像的信息，因此图像的质量会受到影响。

上采样的原理和常用方式

在卷积神经网络中，由于输入图像通过卷积神经网络(CNN)提取特征后，输出的尺寸往往会变小，而有时我们需要将图像恢复到原来的尺寸以便进行进一步的计算(如图像的语义分割)，这个使图像由小分辨率映射到大分辨率的操作，叫做上采样，它的实现一般有三种方式：（详细方法的实现原理，在原文链接里查看）

1、插值，一般使用的是双线性插值，因为效果最好，虽然计算上比其他插值方式复杂，但是相对于卷积计算可以说不值一提，其他插值方式还有最近邻插值、三线性插值等；

2、转置卷积又或是说反卷积(Transpose Conv)，通过对输入feature map间隔填充0，再进行标准的卷积计算，可以使得输出feature map的尺寸比输入更大；是一种可以学习的向上采样方式，里面的参数可以学习
3、Up-Pooling - Max Unpooling && Avg Unpooling --Max Unpooling，在对称的max pooling位置记录最大值的索引位置，然后在unpooling阶段时将对应的值放置到原先最大值位置，其余位置补0；没有参数，速度更快，采取给定策略上采样

参考自
原文链接：https://blog.csdn.net/Cris_Wang7/article/details/121008664
原文链接：https://blog.csdn.net/ytusdc/article/details/121452878