0、个人资料http://www.Sina.com/: http://www.Sina.com /
问题
框架中实现了独立的可训练参数。 自己看pytorch代码或Keras代码就知道了。 但CNN可视化论文的反卷积是前一个卷积核的转置，只是为了可视化
1、什么是反卷积？计算机视觉中的反卷积(deconvolution)是使用了独立的可训练参数还是把前面的卷积核转置？关于计算机视觉中的反卷积（deconvolution）还是没太弄懂，我原以为反卷积的卷积核中的参数也是训练出来的，只是因为放大了输出所以叫反卷积，可今天看到讲关于卷积神经网络可视化的文章，卷积神经网络的对特征图卷积核的可视化可以采用deconvolution的方法，而且是把前面的卷积核转置一下就直接用，而不是独立的训练其中参数，如下图：
在应用于计算机视觉的深度学习领域中，输入图像在用卷积神经网络(CNN )提取特征后，输出的尺寸往往会变小，因此为了进一步的计算，有时需要将图像恢复到原来的尺寸(e.) 这将扩大图像尺寸，实现将图像从小分辨率映射到大分辨率的操作称为上采样(Upsample )。
答：
上采样有三种常用方法：“双线性插值”、“反卷积”和“反池化”。 这里所说的反卷积，也称为转置卷积，不是正向卷积的完全逆过程。 一句话：
解卷积是一种特殊的正向卷积，首先通过按一定比例补充[式]来扩大输入图像的大小，然后旋转卷积核再进行正向卷积。
2、反卷积的数学推导上采样(Upsample)
设输入图像input的大小为4x4，元素矩阵如下：
卷积内核的大小为3x3，元素矩阵如下：
步长strides=1，填充padding=0，即i=4，k=3，s=1，p=0遵循卷积公式
的图像output的大小为2x2
反卷积(Transposed Convolution)
将input的元素矩阵展开为一个列向量x
将输出图像output的元素矩阵展开为列向量y :
对于输入的要素矩阵x和输出的要素矩阵y，用矩阵运算记述该过程。
通过推导，得到稀疏矩阵c :
卷积操作是指对该矩阵运算过程进行逆运算。 也就是说，从c和y中得到x，根据各矩阵的大小可以简单地进行计算的过程。 也就是说，是去卷积操作。
但是，代入数值计算后，可以看到反卷积操作只能恢复矩阵x的大小，而不能恢复x的每个元素值。 本文最后在tensorflow平台上进行该实验
首先，给出了反转卷积图像尺寸变化的表达式。
正向卷积的实现过程
进行去卷积时，简单来说，分为以下两种情况。
用矩阵乘法描述卷积
此时反卷积的输入输出尺寸关系如下。
如上图所示，选择输入大小为3x3、卷积内核kernel大小为3x3、步骤strides=2、填充码=1、即i=3、k=3、s=2、p=1
反卷积的输入输出尺寸关系
此时的反卷积的输入输出大小关系为：
如上图所示，输入输入大小为3x3，卷积内核kernel的大小为3x3，步骤strides=2，填充码=1，即i=3，k=3，s=2，p=1
Relationship 1：
在图像语义分割网络FCN-32s中，上采样反卷积操作的每一个输入的大小是7x7
、1次上采样后想恢复为原始图像的尺寸224x224，代入公式。
根据上式，可以得到关于s、k、p三者之间关系的等式。
通过实验，最终找到了一组最佳的数据：