【深度学习基础知识 - 15】反卷积的概念以及使用场景

概念

• 反卷积（deconv）是输入一张小的特征图，输出一张大的特征图。首先会对特征图进行padding，然后就可以像正常卷积操作一样进行计算。
• 反卷积比正常卷积增加了一个参数，叫做output_shape，这是由于不同的特征图，如5x5和6x6的特征图在进行3x3的卷积之后都会得到3x3的特征图，因此反卷积的时候就需要输入一个参数用于指定输出的特征图尺寸。

使用场景

• 通常在一些图像重建任务中，主要目的是对特征图进行放大，如一些分割任务、图像重建任务等，当通过一个backbone进行特征提取之后需要恢复到原始的分辨率，这个时候就可以采用deconv来计算。另一种常见的方法就是直接进行upsample对图像进行插值，然后进行正常的卷积，具体使用哪一种还要结合任务目标来设计和实验。

博主会持续更新一些深度学习相关的基础知识以及工作中遇到的问题和感悟，喜欢请关注、点赞、收藏。