语义分割篇：day1--转置卷积

（PS：本博客仅用于记录个人笔记，所用图片和文字内容大部分来自b站up主：霹雳吧啦Wz，转载或引用请注明up主）

附上原up地址：

转置卷积（transposed convolution）：也称为“反卷积”，是卷积的一个逆向过程，可以根据卷积核大小和输出的大小，恢复卷积前的图像尺寸，而不是恢复原始值。

作用：上采样（upsampling）

转置卷积不是卷积的逆运算

转置卷积也是一个卷积过程，只是对原图像和卷积核作出一些变化后，再进行卷积，以达到回复卷积前图像尺寸的目的，但数值与图像的原始值并不相同。

过程和原理：

        首先，普通的卷积运算就是简单的矩阵相乘，输入feature map得到一个矩阵，再将卷积核用0扩展为与feature map大小相同的矩阵，进行简单的矩阵相乘，即可输出卷积后的图像矩阵

        但是如果将输入的feature map矩阵和卷积核等效矩阵分别展平，转化为列向量后在进行相乘运算，也同样可以得到卷积后图像矩阵的列向量形式

        思考：如果已知卷积后的矩阵(O)和卷积核矩阵(C)，是否可以通过左右两边同乘以卷积核逆矩阵(C-1)，来还原卷积前的图像矩阵(I)呢？即，卷积是否可逆？

        答案否定。因为矩阵是否可逆，取决于矩阵是否为方阵。而我们无法保证卷积核等效矩阵展平为列向量后为方阵，因此，一般情况下，卷积不可逆。

        但如果只需要得到与原始矩阵大小相同，而数值不做要求的矩阵，则可以通过转置卷积实现。

        即：左右两边同时乘以卷积核矩阵的转置矩阵(CT)

        得到的行向量经过reshape后，即为与原始矩阵大小相同的矩阵

        用普通卷积的运算来实现：主要是将原卷积核转置后的矩阵的每一列写成等效矩阵的形式，再用一个个等效矩阵分别与卷积后的矩阵相乘，从而得到转置卷积后的矩阵。

        而在与等效矩阵相乘的过程中可以发现，该过程其实等效于将卷积后的矩阵用0填充后，再用
某一卷积核进行卷积。

而该卷积核就是原卷积核经过上下左右翻转后得到的

由此过程我们可以得到转置卷积的运算步骤：

1.填充

2.将上下左右翻转卷积核

3.进行正常卷积运算（即矩阵相乘）：此时不再对矩阵进行额外填充，且步距为1

最后输出的特征图特征值计算方法：