圖像處理中的卷積、池化、反捲積和反池化的理解與思考

文章目錄

• 卷積的理解
• 池化的理解
• 反捲積的理解
• 反池化的理解

卷積的理解

關於卷積在二維離散圖像的可視化理解：

對於卷積過程中各個變量的定義：

• 輸入圖像的尺寸爲I
• 圖像外圍的0填充padding爲p
• 卷積核的尺寸爲k
• 卷積核移動的步長stride表示爲s
• 輸出圖像表示爲O

如上圖所示，I = 5，p=1，k=3，s = 1進行卷積提取圖像當中的特徵，計算公式爲：
O = (I − k + 2p )/s + 1

池化的理解

關於池化的可視化理解：

池化的計算公式和方法幾乎和卷積是相同的，池化的作用主要是減小輸出大小和降低過擬合。降低過擬合是減小輸出大小的結果，它同樣也減少了後續層中的參數的數量。

反捲積的理解

可視化理解反捲積：

反捲積的過程，反捲積是卷積的逆過程，又稱作轉置卷積。最大的區別在於反捲積過程是有參數要進行學習的（類似卷積過程），理論是反捲積可以實現UnPooling和unSampling，只要卷積核的參數設置的合理。

反捲積能夠實現神經網絡處理圖像過程中的特徵可視化，根據可視化的結果進行合理的調整網絡架構
反捲積計算公式爲
I = (O - 1) * s + k - 2p

反池化的理解

• 圖（a）表示UnPooling的過程，特點是在Maxpooling的時候保留最大值的位置信息，之後在unPooling階段使用該信息擴充Feature Map，除最大值位置以外，其餘補0。

• 與之相對的是圖（b），兩者的區別在於UnSampling階段沒有使用MaxPooling時的位置信息，而是直接將內容複製來擴充Feature Map。從圖中即可看到兩者結果的不同。