FCN中的反卷积和SegNet中的反卷积方法对比

最新推荐文章于 2022-10-19 17:56:39 发布

Joker_xun

最新推荐文章于 2022-10-19 17:56:39 发布

阅读量1.1k

点赞数

CC 4.0 BY-SA版权

分类专栏：呆逼网站机器学习文章标签：搜索

本文链接：https://blog.youkuaiyun.com/Joker_xun/article/details/89498326

机器学习同时被 2 个专栏收录

16 篇文章

订阅专栏

呆逼网站

1 篇文章

订阅专栏

本文深入探讨了全卷积网络(FCN)中的反卷积概念及其争议，解释了如何通过上采样和反卷积操作使图像内容丰富，同时介绍了SegNet的特殊反卷积方法，即利用index信息精确还原图像细节。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

FCN中的反卷积

full卷积（FCN中的反卷积就是再次基础上，因此FCN中反卷积的叫法含有争议，有人称之为 transposed convolutional layer）
在这里插入图片描述
蓝色为原图像，白色为对应卷积所增加的padding，通常全部为0，绿色是卷积后图片。图6的卷积的滑动是从卷积核右下角与图片左上角重叠开始进行卷积，滑动步长为1，卷积核的中心元素对应卷积后图像的像素点。可以看到卷积后的图像是4X4，比原图2X2大了，我们还记1维卷积大小是n1+n2-1，这里原图是2X2，卷积核3X3，卷积后结果是4X4，与一维完全对应起来了。其实这才是完整的卷积计算，其他比它小的卷积结果都是省去了部分像素的卷积。
在这里插入图片描述
假设原图是3X3，首先使用上采样让图像变成7X7，可以看到图像多了很多空白的像素点。使用一个3X3的卷积核对图像进行滑动步长为1的valid卷积，得到一个5X5的图像，我们知道的是使用上采样扩大图片，使用反卷积填充图像内容，使得图像内容变得丰富，这也是CNN输出end to end结果的一种方法。

SegNet的反卷积
在这里插入图片描述
SegNet中的Pooling与其他Pooling多了一个index功能，也就是每次Pooling，都会保存通过max选出的权值在2x2 filter中的相对位置。在Upsamping就是Pooling的逆过程中， SegNet根据index信息，直接将数据放回对应位置，其他位置的权值使用0填充