语义分割学习笔记（二）转置卷积

目录

1.转置卷积Transposed Convolution概念

2.转置卷积操作步骤

3.转置卷积参数

4.实战案例

---

推荐课程：转置卷积（transposed convolution）_哔哩哔哩_bilibili

感谢霹雳吧啦Wz，真乃神人也。

1.转置卷积Transposed Convolution概念

转置卷积的作用：转置卷积是上采样方法中的一种， 通常，对图像进行多次卷积运算后，特征图的尺寸会不断缩小。而对于某些特定任务 (如图像分割和图像生成等)，需将图像恢复到原尺寸再操作，这时就需要通过上采样操作将图像恢复到原尺寸大小。

2.转置卷积操作步骤

转置卷积/反卷积

 注：转置卷积不是卷积的逆运算，转置卷积也是卷积。

当填充为p，步幅为s时：

1.在输入特征图元素的行和列之间插入s-1行和列的0。

2.将输入特征图元素填充k-p-1行和列的0（k是核窗口大小）

3.将核矩阵上下、左右翻转

4.然后做正常卷积（填充=0，步幅=1）

输入的高（宽）为h，核为k，填充为p，步幅为s则转置卷积后h‘ = hs + k - 2p - s

​

例：当填充=1，步幅=2

​

3.转置卷积参数

torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, groups=1, bias=True, dilation=1)

• in_channels (int) – 输入通道数

• out_channels (int) – 输出通道数

• kernel_size (int or tuple) – 卷积核大小

• stride (int or tuple, optional) – 步幅。 默认为 1

• padding (int or tuple, optional) – 填充。 默认为 0

• output_padding (int or tuple, optional) – 额外的填充在输出。 默认为 0

• groups (int, optional) – 是否使用组卷积。 默认为 1

• bias (bool, optional) – 是否在输出上添加偏执. 默认为 True

• dilation (int or tuple, optional) – 是否使用膨胀卷积、空洞卷积。 默认为 1

 

4.实战案例

pytorch官方案例：

import torch
from torch import nn

input = torch.randn(1, 16, 12, 12)

print("输入形状大小:",input.size())
# 下采样
downsample = nn.Conv2d(16, 16, 3, stride=2, padding=1)
# 上采样
upsample = nn.ConvTranspose2d(16, 16, 3, stride=2, padding=1)

# 先下采样
h = downsample(input)
print("经过3x3的下采样后，形状大小:",h.size())

# 再上采样
output = upsample(h, output_size=input.size())
print("经过3x3的转置卷积后，形状大小:",output.size())

输出：

输入形状大小: torch.Size([1, 16, 12, 12])
经过3x3的下采样后，形状大小: torch.Size([1, 16, 6, 6])
经过3x3的转置卷积后，形状大小: torch.Size([1, 16, 12, 12])