前言

????????在CNN-based 的 模型中，我們可能會用到downsampling 操作來減少模型參數，以及擴大感受野的效果。

? ? ? ? 下圖是一個graph segmentation的例子，就先使用 downsampling來減少每個image的size，再使用upsampling來將size還原回最初大小?

1 Upsampling

downsampling 即 池化操作，在機器學習筆記：CNN卷積神經網絡_UQI-LIUWJ的博客-CSDN博客里面已經提到過了，這里就不說了，我們這里說一下怎么將image的size 提升上去

1.1? 最原始的方法

這種方式顯然不是理想的方式，因為它添加的信息僅僅是冗余的信息，?同時使得整個image不連續

1.2 Nearest neighbor

?1.3 雙線性插值

注意左側圖的陰影小點

?1.4 Max unpooling

????????模型中存儲 max pooling 操作中，都是哪些位置的值成為了池化結果。然后在max unpooling的時候在這些位置填充值

2 up convolution

那么既然池化操作有“逆運算”，那么卷積操作有嗎？

答案是有的。

我們同樣設置filter，讓相應位置的值乘以這個filter，將結果拼接成一個大size 的image

?????????對于重疊的部分，我們可以取mean，取max等各種操作。而比如我們需要4*4的矩陣，在矩陣之外的部分可以去掉。????????

2.1 舉例：1維“逆卷積”

3 U-net

????????但是上述的這種down&up sampling問題有一個很明顯，就是經過downsampling之后，一些細節方面的信息會丟失

????????于是U-net便采用了這樣的一種思路，把高分辨率的image直接傳給之后的神經網絡，和經過down&up sampling后相同size的image經過某種方式融合在一起? ? ??

4??Pyramid Scene Parsing Net

這個和upsampling沒有關系，只是另一種解決detail 信息丟失的辦法。

我們可以設立不同size的池化層，然后將不同size池化層的池化結果 用某種方式concatenate起來

?

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的机器学习笔记： Upsampling, U-Net, Pyramid Scene Parsing Net的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。