步幅反褶积是如何工作的？

Question

我想弄清楚反褶积后图像的形状是如何变化的？我正在尝试理解霓虹灯卷积式自动编码器的示例代码。

layers = [Conv((4, 4, 8), init=init_uni, activation=Rectlin()),
          Pooling(2),
          Conv((4, 4, 32), init=init_uni, activation=Rectlin()),
          Pooling(2),
          Deconv(fshape=(3, 3, 8), init=init_uni, strides=2, padding=1),
          Deconv(fshape=(3, 3, 8), init=init_uni, strides=2, padding=1),
          Deconv(fshape=(4, 4, 1), init=init_uni, strides=2, padding=0)]

每个层的input_shapes和output_shapes如下

Convolution Layer 'ConvolutionLayer': 1 x (28x28) inputs, 8 x (25x25) outputs, padding 0, stride 1
Pooling Layer 'PoolingLayer': 8 x (25x25) inputs, 8 x (12x12) outputs
Convolution Layer 'ConvolutionLayer': 8 x (12x12) inputs, 32 x (9x9) outputs, padding 0, stride 1
Pooling Layer 'PoolingLayer': 32 x (9x9) inputs, 32 x (4x4) outputs
Deconvolution Layer 'DeconvolutionLayer': 32 x (4x4) inputs, 8 x (7x7) outputs
Deconvolution Layer 'DeconvolutionLayer': 8 x (7x7) inputs, 8 x (13x13) outputs
Deconvolution Layer 'DeconvolutionLayer': 8 x (13x13) inputs, 1 x (28x28) outputs

我理解卷积后形状的变化(“有效”)。(感谢http://cs231n.github.io/convolutional-networks/)当使用反褶积(完全卷积)时，步幅如何影响矩阵的大小？

Answer 1

跨越式反褶积正在扩大层的大小(您可以认为这是取消池的效果而不进行解池)。

查看幻灯片18 这里。也许能帮上忙。

Answer 2

采用上采样或反褶积层来提高图像的分辨率。在分割中，首先对图像进行降采样，得到特征，然后对图像进行向上采样，生成分割段。

对于反褶积运算，我们用零填充图像，然后对其进行卷积运算，从而对图像进行上采样。

如果在下采样后图像变成[1，1]

如果我们用零填充它，[0，0，0，0，0 0，0，1，1，0 0，0，0，0，0]

现在，如果我们用3x3滤波器对上面的图像进行卷积，我们将得到一个形状(4，4)的图像。因此，我们对形状(2，2)到(4，4)的图像进行了向上采样。