卷积与反卷积

1 卷积

1.1 卷积后的输出维度

设输入维度为i x i，卷积核大小为k x k，padding为p，strides为s，则输出维度为 (i - k + 2p) / s +1
注意：除法为向下取整的除法，即3 / 2 = 1。
i - k是不考虑padding的情况下，卷积核能纵向/横向移动的次数

2 反卷积

2.1 来源

反卷积/转置卷积的操作是在《Visualizing and Understanding Convolutional Networks》中提出来的。
其只能恢复原来的大小，不能恢复原来的数值。
可参考：https://zhuanlan.zhihu.com/p/48501100《反卷积(Transposed Convolution)详细推导》

2.2 原理

A deconvolutional layer is simply a regular convolutional layer with its filters transposed. By applying these transposed filters to the output of a convolutional layer, the input can be retrieved.

2.3 使用

class torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, bias=True)
详细参考：https://blog.csdn.net/disanda/article/details/105762054

2.3.1 padding

padding的含义不是卷积的padding的含义，理解为kernel向输入层中间移动的次数。
padding为0时，在input（蓝色2 x 2）外面填充k - 1 = 2层
padding为1时，在input外面填充k - 2 = 1层。
下图是padding为0时的例子。

2.3.2 stride

stride是输入之间的距离，默认为1。
如果stride为2，那么每个输入之间相隔1个。
下图是stride=2的例子。

output_padding

由于卷积涉及到向下取整，所以在输出维度一定时，对应了多个可能的输入维度，可能的个数为【步长stride】。因此采用out_padding进行确定。
参考：https://zhuanlan.zhihu.com/p/485999111《【深度学习反卷积】Pytorch中反卷积的应用》

2.3 意义

反卷积是一种上采样的方法，除此之外还有反池化和双线性差值bilinear。
在图像领域可以做segmentation，在很多领域可以做cost volume。