Deconvolutional Networks（阅读）

最近在学习FCN的网络，因此Deconvolutional Networks部分是非常需要看的，其实就是图像重构问题。

通过实验给出的一些重要参数设置H =7, λ=1, p=1, β0 =1, βInc =6, βMax =105, E =3。

深度网络结构是由多个单层网络叠加而成的，而常见的单层网络按照编码解码情况可以分为下面3类：

1. 既有encoder部分也有decoder部分：比如常见的RBM系列（由RBM可构成的DBM, DBN等），autoencoder系列(以及由其扩展的sparse autoencoder, denoise autoencoder, contractive autoencoder, saturating autoencoder等)。
2. 只包含decoder部分：比如sparse coding, 和deconvolution network.
3. 只包含encoder部分，那就是普通的feed-forward network.

　　Deconvolution network的中文名字是反卷积网络，那么什么是反卷积呢？其概念从字面就很容易理解，假设A=B*C 表示的是：B和C的卷积是A，也就是说已知B和C，求A这一过程叫做卷积。那么如果已知A和B求C或者已知A和C求B，则这个过程就叫做反卷积了，deconvolution.

　　Deconvolution network是和convolution network(简称CNN)对应的，在CNN中，是由input image卷积feature filter得到feature map, 而在devonvolution network中，是由feature map卷积feature filter得到input image. 所以从这点看，作者强调deconvolution network是top-down是有道理的（具体可参考Zeiler的Deconvolutional networks）

作者利用各种优化方法提取图像的feature map，避免了普通Convolutional Neural Network中得encoder部分。

运行论文代码：

如果matlab版本比较高的时候或出现[fullpath,b,c,d] = fileparts(path);错误，将第四个参数去掉就可以了，matlab版本低的时候不会出现这个函数问题。第二个RandStream.setGlobalStream(RandStream('mt19937ar','seed',sum(100*clock)));原来的默认设置废弃了，只能改成这个了。

代码下载：here

实验结果：

训练过程中的滤波器、Map、

测试的过程：

下面是测试图和加噪声图及重构之后的效果：