图像处理中的卷积、池化、反卷积和反池化的理解与思考

卷积的理解

关于卷积在二维离散图像的可视化理解：

对于卷积过程中各个变量的定义：

• 输入图像的尺寸为I
• 图像外围的0填充padding为p
• 卷积核的尺寸为k
• 卷积核移动的步长stride表示为s
• 输出图像表示为O

如上图所示，I = 5，p=1，k=3，s = 1进行卷积提取图像当中的特征，计算公式为：
O = (I − k + 2p )/s + 1

池化的理解

关于池化的可视化理解：

池化的计算公式和方法几乎和卷积是相同的，池化的作用主要是减小输出大小和降低过拟合。降低过拟合是减小输出大小的结果，它同样也减少了后续层中的参数的数量。

反卷积的理解

可视化理解反卷积：

反卷积的过程，反卷积是卷积的逆过程，又称作转置卷积。最大的区别在于反卷积过程是有参数要进行学习的（类似卷积过程），理论是反卷积可以实现UnPooling和unSampling，只要卷积核的参数设置的合理。

反卷积能够实现神经网络处理图像过程中的特征可视化，根据可视化的结果进行合理的调整网络架构
反卷积计算公式为
I = (O - 1) * s + k - 2p

反池化的理解

• 图（a）表示UnPooling的过程，特点是在Maxpooling的时候保留最大值的位置信息，之后在unPooling阶段使用该信息扩充Feature Map，除最大值位置以外，其余补0。

• 与之相对的是图（b），两者的区别在于UnSampling阶段没有使用MaxPooling时的位置信息，而是直接将内容复制来扩充Feature Map。从图中即可看到两者结果的不同。