神经网络下采样、上采样——图文计算

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：

1. 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）
2. stride=1,在满足上式2p=f+1时，卷积后图片大小不变。
3. 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。
4. 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。