反卷积

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)。
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0来扩大输入图像的尺寸，接着旋转卷积核，再进行正向卷积。

正向卷积

输入图像
输入卷积核
步长srides = 1, 填充padding = 0, 输出图像尺寸为（4 + 2 *0 - 3）/1 + 1 = 2

(image_size + 2*padding - kernal_size)/strides + 1

输出图像尺寸为2x2
正向卷积可以理解为
输入元素矩阵变为列向量X

输出的2x2也改成列向量Y

即Y = CX
稀疏矩阵C为

反卷积

$$X=C^{T}Y$$

考虑两种情况：
情况一：

此时有$$o=s(i-1)-2p+k，其中i，o为反卷积的输入输出$$

情况二：

反卷积只能恢复尺寸，不能恢复数值

参考https://www.zhihu.com/question/48279880