深度学习之upsampling downsampling

最新推荐文章于 2025-04-29 10:58:30 发布

Candy_GL

最新推荐文章于 2025-04-29 10:58:30 发布

阅读量1w

点赞数 1

分类专栏：深度学习文章标签： upsampling downsampling

深度学习专栏收录该内容

57 篇文章

订阅专栏

本文介绍了深度学习中采样技术的基本概念，包括下采样和上采样的定义及其在卷积神经网络中的应用。通过具体案例分析了FCN和DCGAN中如何利用这些技术进行特征提取与图像生成。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

通常采样指的是下采样，也就是对信号的抽取。连续-〉离散

上采样是下采样的逆过程，也称增取样（Upsampling）或内插（Interpolating）。离散-〉连续或加密！

在深度学习中，下采样可用conv卷积实现；上采样可用deconv反卷积实现（自己理解，不知对不对？）

转自链接：https://www.zhihu.com/question/43609045/answer/132235276

upsampling
分别简单介绍两篇文章，FCN和DCAN。FCN[4]主要用来做pixel-wise的image segmentation预测，先用传统的CNN结构得到feature map，同时将传统的full connected转换成了对应参数的卷积层，比如传统pool5层的尺寸是7×7×512，fc6的尺寸是4096，传统的full connected weight是7×7×512×4096这样多的参数，将它转成卷积核，kernel size为7×7，input channel为512，output channel为4096，则将传统的分别带有卷积和全连接的网络转成了全卷积网络(fully convolutional network, FCN)。FCN的一个好处是输入图片尺寸大小可以任意，不受传统网络全连接层尺寸限制，传统的方法还要用类似SPP结构来避免这个问题。FCN中为了得到pixel-wise的prediction，也要把feature map通过deconv转化到像素空间。论文中还有一些具体的feature融合，详情可参见论文。

DCGAN[5]中使用deconv就更自然了，本身GAN就需要generative model，需要通过deconv从特定分布的输入数据中生成图片。GAN这种模式被Yann LeCun特别看好，认为是unsupervised learning的一个未来。

[5] Unsupervised Representation Learning
with Deep Convolutional Generative Adversarial Networks

[6] Sparse Coding - Ufldl

[7] Denoising Autoencoders (dA)

[8] Convolution arithmetic tutorial

作者：谭旭
链接：https://www.zhihu.com/question/43609045/answer/132235276
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。