下载掌阅APP，畅读海量书库
立即打开
通常卷积会造成分辨率降低。如图2.5所示，上方2×2的矩阵是输出，下方4×4的矩阵是输入，在一个卷积核大小为3×3的矩阵的作用下，经过步长为1的卷积后，4×4的输入矩阵变为了2×2大小的输出矩阵。
反卷积则与之相反，它也是通过在输入图像上按一定步长滑动来获得输出的，但要实现的是分辨率的增加。例如，反卷积可以实现从2×2的输入矩阵变为4×4的输出矩阵，如图2.6所示，每次取输入特征平面中的一个值，然后在大小为3×3的卷积核的作用下，分配到输出大小为3×3的区域。
图2.5 卷积示意
图2.6 反卷积示意
一个用于分类任务的深层神经网络通过卷积来不断抽象学习，实现分辨率的降低，最后得到一个较小的特征平面（Featuremap），通常大小为5×5或7×7。图像分割任务则需要恢复图片，使其与原尺度大小一样，即需要由较小尺度的特征平面来恢复图片尺度，这是一个上采样的过程。正是由于这个过程正好是卷积的逆操作，因此其通常称为反卷积。
实际上并没有反卷积这样的操作，在现在的深度学习框架中，反卷积通常有两种实现方式：一种是以双线性插值为代表的插值法，另一种是转置卷积。
1．插值法
假如已经知道4个点： Q 11 =（ x 1 ， y 1 ）， Q 12 =（ x 1 ， y 2 ）， Q 21 =（ x 2 ， y 1 ）， Q 22 =（ x 2 ， y 2 ），如果要知道任意点的值 Q （ x ， y ），则可以采用插值法。
首先对 x 方向进行线性插值：
然后再对 y 方向进行线性插值：
先对 y 方向再对 x 方向进行线性插值也能得到同样的结果。
从上面的结果可以看出，这并不是一个线性的插值，而是两个线性插值的融合，这是非常常用的一种提升图像分辨率的算法。
2．转置卷积
转置卷积（Transposed Convolution）也称为反卷积，其实际上仍是一个卷积操作。在Caffe等开源框架中，反卷积的实现与卷积使用同样的代码。
在实际运用时，转置卷积首先需要计算上采样的倍率，也就是用输出尺寸除以输入尺寸，如上面例子中为4/2，即两倍的上采样。得到了上采样倍率，再根据步长的大小和边界补充的方式对初始输入进行变换，然后使用与卷积一样的方法进行参数学习。