计算机取样方式,计算机视觉中upsampling(上采样)的三种方式

bilinear

双线性插值是目前在语义分割中用的比较多的一种方式，比如FCN中就是用的这种方法。 这种方法特点是不需要进行学习，运行速度快，操作简单。只需要设置好固定的参数值即可，设置的参数就是中心值需要乘以的系数。 一个简单的例子可以参考如下(来自互联网)： 

具体的实现方式，可以直接参考fcn.berkerlyvision.org中的surgery.py如下：

def

upsample_filt(size):

"""

Make a 2D bilinear kernel suitable for

upsampling of the given (h, w) size.

"""

factor = (size + 1) // 2

if size % 2 == 1:

center =

factor - 1

else:

center =

factor - 0.5

og = np.ogrid[:size, :size]

return (1 - abs(og[0] - center) / factor) *

\

(1 - abs(og[1] - center) /

factor)

Deconvolution

Deconvolution是目前争议比较多的方法，主要是名字上的争议，由于实现上采用转置卷积核的方法，所以有人说应该叫(transposed

convolution)，但是思想上是为了还原原有特征图，类似消除原有卷积的某种效果，所以叫反卷积(deconvolution).

Caffe中叫deconvolution，这里就继续沿用这个名字.

要理解deconv，要先了解conv的具体是实现方式，在实现过程中，为了使卷积运算更快的执行，通常转化为矩阵乘法进行处理(因为矩阵乘法有一些加速计算库)。卷积计算通常的两种实现方式是：在caffe中使用im2col的方法，在其他的地方使用toeplitz

matrix(托普利兹矩阵)进行实现。

具体例子参看知乎https://www.zhihu.com/question/43609045?sort=created

为了更容易地实现deconvolution，直接使deconv的前向传播模拟conv的反向传播，当然，这里只是为了保证尺寸大小互逆，并不能保证值的还原。具体思路可以参考这篇博客http://blog.csdn.net/zsz_shsf/article/details/53201669。

做几个小例子帮助理解：

(1)

关于第一节中bilinear的在caffe中使用deconvolution进行实现，上节的bilinear论述过程中使用固定值计算的方法，本节从deconv可视化计算的角度进行理解，https://github.com/vdumoulin/conv_arithmetic

63个元素

[16x16中的(0,0)元素] 31个元素 [16x16中的(0,1)元素]

31个元素

其中，中括号中的元素可见

对以上过程进行卷积运算，注意这里stride

使用1, 最终输出大小为(63+32x15+64-64)/1 + 1 =

544

这里可以脑补一下计算过程，相当于第一节中的手算叠加

(2)

对bilinear使用转置运算进行实现，先将64x64的卷积核转化为toeplitz

matrix，然后转置，得到544x544,256的矩阵，然后将score_fr转化为1,

256的矩阵，两者矩阵乘法，得到544x544的最终结果，具体过程脑补吧

---------------------

作者：明天去哪

来源：CSDN

原文：https://blog.csdn.net/u014451076/article/details/79156967

版权声明：本文为博主原创文章，转载请附上博文链接！