卷积 反卷积 上采样 下采样 区别

1.卷积

就是利用卷积核  步长前进 卷积整个图片

2.反卷积

• 反卷积的具体操作

原图输入尺寸为【1，3，3，3】对应【batch_size,channels,width,height】

反卷积tconv = nn.ConvTranspose2d(3,3,3,stride=2,padding=1)

求反卷积的输出尺寸？

第一步：对输入的特征图做插值，在原先高宽方向的每两个相邻中间插上（Stride−1）列0，如下图所示，原来的尺寸为3*3，因为stride=2,则是在相邻行（列）之间插入(2-1)行（列）0

插入后的尺寸为为：height = height+(height-1)*(stride-1),这里也就是h=3+(2-1)(3-1)=5,即插值过后的 特征图为5*5

第二步：求新的卷积核设置

新卷积核的kernel_new不变为3，stride_new恒为1，padding_new =(kernel_size - padding - 1) = 1

第三步：用新的卷积核在新的特征图上做常规的卷积，得到的结果就是逆卷积的结果。

即在5*5的特征图上执行nn.conv(1,3,3,stride = 1,padding = 1),最后输出的特征图尺寸为：(5-3+2*1)/1+1=5

• 反卷积核的确定

卷积核的确定方式主要有两种，一是通过双线性插值固定卷积核的参数，不随着学习过程更新；二是随机初始化，并随着学习过程更新。

3.上采样

 

4.下采样

 

反卷积=上采样=（转置卷积+微步卷积）⊆ 空洞卷积=一般意义上的广义卷积（包含上采样和下采样）。

卷积和下采样基本一致     只是卷积过程 卷积核本身带权重 有步长   下采样基本直接采取 没有权重约束

反卷积和上采样基本一致     只是反卷积过程 卷积核本身带权重 有步长   下采样基本直接采取 没有权重约束

总体而言  卷积类参数多  采样类参数极少