Deconvolution、upsampling和unpooling详解

最新推荐文章于 2021-12-15 21:52:32 发布

@浪里小白龙

最新推荐文章于 2021-12-15 21:52:32 发布

阅读量728

点赞数 1

分类专栏：深度学习文章标签： Deconvolution unpooling unsampling

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/stu_shanghui/article/details/91493591

版权

深度学习专栏收录该内容

12 篇文章 1 订阅

订阅专栏

Deconvolution更注重的是如何将尺寸还原回来，而不注重value还原

已知输入为X，卷积核为C，求输出特征Y，则卷积过程为Y=C∗X，如果已知Y和C,求输入X，

$X=C^{-1}*Y$ ,就是deconvolution过程.。

实际计算中并不是求C的逆矩阵，而是求 $C^{T}$ ，所以 $X=C^{T}*Y$ ，求逆矩阵可以还原尺寸和value,但是如果再还原出相同的value的话，我们何必费怎么大的力气，经过怎么多计算而又得到了与前几层完全相同的特征图，直接使用输入特征不就可以了嘛。

例如:

$X = \begin{bmatrix} x\\y \end{bmatrix} C=\begin{bmatrix} 1&2 \\ 3&4 \\ 5&6 \end{bmatrix} Y=C*X=\begin{bmatrix} x+2y\\ 3x+4y\\ 5x+6y\\ \end{bmatrix}$

$C^{^{T}}=\begin{bmatrix} 1 &3 &5 \\ 2&4 &6 \end{bmatrix} X=C^{T}*Y=\begin{bmatrix} 35x+45y\\ 44x+56y \end{bmatrix}$

上式也可以说明deconvolution只能还原尺寸，不一定能还原value

下面的公式是对C的一个说明

总结：

逆卷积就是正向（正向传播）输入左乘 $C^{T}$ ，反向（反向传播）左乘 $(C^{T})^{T}$

卷积是正向输入左乘C，反向左乘 $C^{T}$

UnPooling和Unsampling

图a是unpooling,它填充0值，图b是unsampling,它是填充相同的值

@浪里小白龙

关注

1
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
Deconvolution、upsampling和unpooling详解

Deconvolution更注重的是如何将尺寸还原回来，而不注重value还原已知输入为X，卷积核为C，求输出特征Y，则卷积过程为Y=C∗X，如果已知Y和C,求输入X，,就是deconvolution过程.。实际计算中并不是求C的逆矩阵，而是求，所以，求逆矩阵可以还原尺寸和value,但是如果再还原出相同的value的话，我们何必费怎么大的力气，经过怎么多计算而又得到了与前几层完全相...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。