CNN中调整特征图大小的操作总结

在深度学习中，CNN经常要调整特征图的大小，本文对一些常用的方法进行介绍。
一，利用卷积核的步进（stride）调整大小
下采样：在padding='same’时，卷积后的特征图大小变为原图/strides，特征图变小，称之为下采样。

Conv2D(filters, kernel_size,
                  strides=strides,
                  padding='same'
                   )(x)

上采样：卷积后的特征图大小变为原图*size，特征图变大，称之为上采样。Caffe和Kera里叫Deconvolution，而tensorflow里叫conv_transpose。

UpSampling2D(size=(2, 2))(x)

二，利用池化操作调整大小
下采样：在padding='same’时，池化后的特征图大小变为原图/strides，特征图变小。

MaxPooling2D((3, 3), strides=(2, 2), padding='same')(x)

上采样:Unpooling ，Pooling 会产生降采样的效果，导致一些细节丢失。这些信息对于语义分割很重要。为了解决这个问题，我们在反卷积网络中使用 unpooling layers。