通過卷積和池化等技術可以將影象進行降維，因此，一些研究人員也想辦法恢復原解析度大小的影象，特別是在語義分割領域應用很成熟。通過對一些資料的學習，簡單的整理下三種恢復方法，並進行對比。
在fcn、u-net等網路結構中，涉及到了上取樣。上取樣概念：上取樣指的是任何可以讓影象變成更高解析度的技術。最簡單的方式是重取樣和插值：將輸入進行rescale到乙個想要的尺寸，而且計算每個點的畫素點，使用如雙線性插值等插值方法對其餘點進行插值來完成上取樣過程。
unpooling是在cnn中常用的來表示max pooling的逆操作。這是**《visualizing and understanding convolutional networks》中產生的思想，下圖示意：
對比上面兩個示意圖，可以發現區別：
兩者的區別在於unsampling階段沒有使用maxpooling時的位置資訊，而是直接將內容複製來擴充feature map。第一幅圖中右邊4*4矩陣，用了四種顏色的正方形框分割為四個區域，每乙個區域內的內容是直接複製上取樣前的對應資訊。
unpooling的過程，特點是在maxpooling的時候保留最大值的位置資訊，之後在unpooling階段使用該資訊擴充feature map，除最大值位置以外，其餘補0。從圖中即可看到兩者結果的不同。
反卷積 上取樣 上池化
反卷積 上取樣 上池化圖示理解，如上所示。目前使用得最多的deconvolution有2種。方法1 full卷積，完整的卷積可以使得原來的定義域變大 上圖中藍色為原影象，白色為對應卷積所增加的padding，通常全部為0，綠色是卷積後。卷積的滑動是從卷積核右下角與左上角重疊開始進行卷積，滑動步長為1...
上取樣 反卷積 上池化的區別
上取樣 反卷積 上池化的區別 圖 a 表示unpooling的過程，特點是在maxpooling的時候保留最大值的位置資訊，之後在unpooling階段使用該資訊擴充feature map，除最大值位置以外，其餘補0。與之相對的是圖 b 兩者的區別在於unsampling階段沒有使用maxpooli...
卷積 池化 反卷積 反池化 上取樣的知識點記錄
卷積 same 輸入大小不夠時會在右邊加padding補足。output shape ceil input shape stride size valid output shape ceil input shape kernel shape 1 stride size 池化 池化沒有引數，除非使用t...