DeconvNet

　　反捲積的基本工做原理是，針對訓練後的CNN網絡中的每一層，都附加一個反捲積層DeconvNet用於將感知區回溯path back到圖像像素。在CNN的工做流程中，咱們把一幅圖像輸入給CNN，一層一層地計算其激活值activations，這是前向傳遞。如今，假設咱們想要檢查第四卷積層中的這個激活值保存起來，並把本層中的其餘激活值設爲0，隨後將這個特徵圖層做爲反捲積網絡的輸入。這個反捲積網絡與原先的CNN有相同的濾波器設置。輸入的特徵圖層經過一系列的反池化（最大池化求反）、整流以及濾波，隨後到達輸入端。 　　

　　隱藏在這整套流程之下的緣由是，咱們想要知道給定某個特徵圖時，什麼樣的圖像結構可以激活它。論文中卷積ConvNet的第一層一般是由一些用於檢測簡單邊緣、顏色等信息的低階特徵檢測子組成。第二層則是更多的圓形特徵。在第一卷積層以後，咱們應用一個2*2池化層用於下采樣。它帶來的效果是第二層的濾波器的視野（檢測範圍scope）更寬了。

　　ZFNet的網絡可視化的方法有助於研究人員理解CNN內部工做原理及其網絡架構。

 

　　卷積操做能夠轉化爲圖像與一個矩陣的乘積來實現，反捲積也稱爲轉置卷積，它的操做恰好和這個相反，正向傳播的時左乘"矩陣的轉置"，反向傳播的時候左乘矩陣。注意這裏的反捲積核信號處理裏的反捲積不是一回事，它只能獲得和原始圖像尺寸相同的圖像，並非卷積運算的逆運算。反捲積運算有一些實際的用途，包括卷積網絡的可視化、全卷機網絡中的上採樣、圖像生成等。

參考：https://www.zhihu.com/question/43609045