padding和卷积的区别_反卷积(Transposed Convolution)详细推导

阅读本文的基础，是默认已经理解了图像处理中正向卷积的过程(卷积特征提取 - UFLDL)。

---

什么是反卷积？

• 上采样(Upsample)

在应用在计算机视觉的深度学习领域，由于输入图像通过卷积神经网络(CNN)提取特征后，输出的尺寸往往会变小，而有时我们需要将图像恢复到原来的尺寸以便进行进一步的计算(e.g.:图像的语义分割)，这个采用扩大图像尺寸，实现图像由小分辨率到大分辨率的映射的操作，叫做上采样(Upsample)。

• 反卷积(Transposed Convolution)

上采样有3种常见的方法：双线性插值(bilinear)，反卷积(Transposed Convolution)，反池化(Unpooling)，我们这里只讨论反卷积。这里指的反卷积，也叫转置卷积，它并不是正向卷积的完全逆过程，用一句话来解释：

反卷积是一种特殊的正向卷积，先按照一定的比例通过补

来扩大输入图像的尺寸，接着旋转卷积核，再进行正向卷积。

---

反卷积的数学推导

• 正向卷积的实现过程

假设输入图像

尺寸为

，元素矩阵为：

卷积核

尺寸为

，元素矩阵为：

步长

，填充

，即

，

则按照卷积计算公式

，输出图像

的尺寸为

。

• 用矩阵乘法描述卷积

把

的元素矩阵展开成一个列向量

：

把输出图像

的元素矩阵展开成一个列向量

：

对于输入的元素矩阵

和 输出的元素矩阵