上采样的几种方法

在做图像语义分割的时候，编码器通过卷积层得到图像的一些特征，但是解码器需要该特征还原到原图像的尺寸大小，才可以对原图像的每个像素点进行分类。从一个较小尺寸的矩阵进行变换，得到较大尺寸的矩阵，在这个过程就是上采样。

常见的上采样的方法有（1）插值法（最邻近插值、双线性插值等） （2）转置卷积（又称为反卷积） （3）上采样（unsampling）（4）上池化（unpooling）

插值法

插值法不需要学习任何的参数，只是根据已知的像素点对未知的点进行预测估计，从而可以扩大图像的尺寸，达到上采样的效果。常见的插值方法可以参考这篇文章：https://blog.csdn.net/stf1065716904/article/details/78450997

转置卷积

与插值法不同，转置卷积需要学习一些参数。我们知道卷积操作如果不加padding会使图像尺寸缩小；相反地，转置卷积（反卷积）会让图像的尺寸增大。这篇文章介绍转置卷积非常详细：https://blog.csdn.net/LoseInVain/article/details/81098502

这里对该文章做一下简单的概括。假如我们对一个 $4*4$ 的原图像矩阵，用 $3*3$ 的卷积核做 stride为1、padding为 0 的卷积，则会得到一个 $2*2$ 的特征图矩阵。该卷积的过程可以等价为矩阵的乘法：在上述卷积中， $3*3$ 的卷积核可以转化为 $4*16$ 的卷积矩阵， $4*4$ 的原图像转化为 $16*1$ 的向量，两者进行矩阵乘法可得到 $4*1$ 的向量，最后resize为 $2*2$ 的特征图矩阵。

所以重点来了，拥有一个 $4*16$ 的卷积矩阵，可将 $4*4$ 的图像变为 $2*2$；那么，如果拥有一个 $16*4$ 的矩阵，可将 $2*2$ 的矩阵变为 $4*4$。

假如现在的图像尺寸是 $2*2$，要将其恢复到 $4*4$。首先将其转化为 $4*1$，再与卷积矩阵的转置矩阵 $16*4$做乘法，可以得到 $16*1$ 的向量，最后resize为 $4*4$ 的图像矩阵。

转置卷积的矩阵并不是正向卷积矩阵直接转置得到，而只是维度上与正向卷积矩阵构成了转置关系。转置卷积也不是标准意义上的卷积，但可以当作卷积来使用。在实践中，可以先将原始矩阵做上池化（即在中间部分填0），再做正向卷积，这样的效果和转置卷积是相同的。

unsampling

unsampling 就是在直接将特征图的元素进行复制，以扩充feature map

unpooling

unpooling 与 unsampling 类似，只是变为用 0 元素对特征图进行填充