下采样
4×4 的输入信号,在经过 3×3 的卷积核过滤过滤之后,产生了 2×2 的特征映射
公式:
上采样
2×2 的输入信号,经过 3×3 的卷积核过滤,产生了 4×4 的特征映射,维度逐渐由小变大。其实反卷积的本质就是卷积的反向传播,由于反向传播的滤波器矩阵,是前向传播的转置,我们只是将反向传播的过程变成了前向传播来做,就将这种现象称之为反卷积。
对于反卷积简单理解就是在输入特征矩阵中插入空白点,再进行卷积,这样卷积后输出的特征矩阵就变大了。
形式1
输入:2x2
计算过程:2+2x2-3+1 (公式与下采样一样)
输出:4
形式2:
输入:3*3
计算过程:3+4-3+1
输出:5
空洞卷积
空洞卷积就是在卷积核插入空白数据,或是说在卷积是跳过特征图的部分数据
总结
对于标准k*k卷积核,stride分三种情况:
- stride>1,在卷积同时伴随着downsampling操作,卷积后图像变小了(这种操作也可以增大感受野,但是输出的图像大小变小了)
- stride=1,在满足上式2p=f+1时,卷积后图片大小不变。
- stride<1,相当于对原图作upsampling操作进行扩大原图,然后再卷积,这样得到的结果图就变大了。例如s=0.5意味着在原特征图的每相邻数据间插入一个空白数据,这样再进行卷积,它的输出特征图就变大了。
- 上面所描述的反卷积,它的核心是在原来
图像上插入空白数据
。而空洞卷积就是在卷积核插入空白数据
,或是说在卷积是跳过特征图的部分数据。