反卷积(Deconvolution)、上采样(UNSampling)与上池化(UnPooling)

原文：https://blog.csdn.net/A_a_ron/article/details/79181108

前言

在看图像语义分割方面的论文时，发现在网络解码器结构中有的时候使用反卷积、而有的时候使用unpooling或或者unsampling，查了下资料，发现三者还是有不同的。这里记录一下。

图示理解

使用三张图进行说明：

图（a）表示UnPooling的过程，特点是在Maxpooling的时候保留最大值的位置信息，之后在unPooling阶段使用该信息扩充Feature Map，除最大值位置以外，其余补0。与之相对的是图（b），两者的区别在于UnSampling阶段没有使用MaxPooling时的位置信息，而是直接将内容复制来扩充Feature Map。从图中即可看到两者结果的不同。图（c）为反卷积的过程，反卷积是卷积的逆过程，又称作转置卷积。最大的区别在于反卷积过程是有参数要进行学习的（类似卷积过程），理论是反卷积可以实现UnPooling和unSampling，只要卷积核的参数设置的合理。

有关反卷积的详细信息，可以参考这篇博客。

反卷积与UnPooling的可视化

对网络层进行可视化的结果：

图（a）是输入层；图（b）是14*14反卷积的结果；图（c）是28*28的UnPooling结果；图（d）是28*28的反卷积结果；图（e）是56*56的Unpooling结果；图（f）是56*56反卷积的结果；图（g）是112*112 UnPooling的结果；图（h）是112*112的反卷积的结果；图（i）和图（j）分别是224*224的UnPooling和反卷积的结果。两者各有特点。

图像来自论文《Learning Deconvolution Network for Semantic Segmentation》

后记

目前Keras中只有UnSampling和反卷积的函数，还没有UnPooling的实现代码，目前自己正在写UnPooling的代码，如果效果好的话，会贴出代码网址分享给大家。

--------------------- 本文来自 Atomwh 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/A_a_ron/article/details/79181108?utm_source=copy