卷积系列：Deconvolution（反卷积）/Transpose Convolution（转置卷积）/Fractional convolution

在基本的网络模型中，卷积是最常见的操作，通常用来提取特征。随着卷积操作，特征图往往会逐渐变小。对于分类任务，只是对图中包含目标的一部分感兴趣，小特征图中的特征更加高级具体，适合目标分类和定位；而对于分割任务，需要对整张图像进行像素级的判别，小的特征图无法很好地对应到原图的每个像素，分割效果就会较差。因此除了卷积和池化这样会“提炼”图像的方法，也需要能够扩大特征图的“还原”图像的方法，常用的有反卷积/转置卷积和插值。

反卷积(Deconvolution)，转置卷积(Transpose Convolution)和Fractional Convolution都是同样的内容。反卷积是和卷积概念相对应，转置卷积则和卷积操作中的稀疏矩阵相对应，Fractional Convolution的名称则对应于步长大于1的卷积。接下来就从这三种角度分别理解这种能扩大特征图的操作。

1. 反卷积(Deconvolution)

在这个意义上，反卷积是卷积的反向操作，也可以理解为一个卷积，只不过padding比通常的卷积要大一些。由于步长又通常为1，因此反卷积的输出反而比输入要大，实现特征图的扩张。回顾一下普通的卷积操作，输入大小为i，卷积核大小为k，步长为s，补丁为p，则输出大小o=(i+2*p-k)/s+1，如下面左图所示：i=4，k=3，p=0，s=1，o=(4+0*2-3)/1+1=2；该卷积对应的反卷积如下面右图所示，公式不变，同时步长和卷积核大小也不变(s=s'，k=k')，只不过补丁变大(p'>p)&