转置卷积（反卷积）、微步卷积、空洞卷积

1.转置卷积：

转置卷积为卷积的逆操作，即通过转置卷积后实现图像的上采样

Z = W·X

X = W.T·Z

4*4的图片经过kernal_size=3，stride=1,padding=0的卷积操作得到2*2的特征

2*2的特征想要经过kernal_size=3的反卷积得到4*4的图片需要(kernal_size-1)的padding后进行卷积操作

2.微步卷积

微步卷积是转置卷积的特殊情况，即stride>1的卷积操作后，其转置卷积的trans_stride=1/stride

如图5*5的图片经过kernal_size=3,stride=2，padding=0的卷积操作后得到的1特征为2*2

反卷积时，特征值间插值(stride-1)，做（kernal_size-1）padding，得到7*7图像，然后通过kernal_size=3,stride=1进行卷积得到5*5特征

3. 空洞卷积

3.1 意义：增加输出特征的感受野

3.2 感受野：卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入图上的区域

3.3 可以增加感受野的方式：

 3.3.1增加卷积核大小：对于每个特征像素输出卷的像素多

3.3.2增加层数：卷的次数多，对应最后特征像素映射的图片像素也多

3.3.3增加pooling层：压缩像素，相当于感受野增大

方法1和方法2会增加参数信息，即需要学习的参数增多，方法三会丢失信息

3.4 空洞卷积 

如果卷积核每两个元素之间插入d-1个空洞，那么卷积核的有效大小为：M = m + (m-1)*(d-1)