當前位置：首頁 > 编程资源 > 综合教程 >内容正文

综合教程

到底什么是上采样、下采样

發布時間：2023/12/3 综合教程 40 生活家

生活随笔收集整理的這篇文章主要介紹了到底什么是上采样、下采样小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

語義分割/實例分割等任務，由于需要提取輸入圖像的高層語義信息，網絡的特征圖尺寸一般會先縮小，進行聚合；這類任務一般需要輸出于原始圖像大小一致的像素級分割結果，因而需要擴張較小的特征圖這就用到了上采樣

常見上采樣方法有雙線性插值、轉置卷積、unpooling
常用的是雙線性插值和轉置卷積

雙線性插值：顧名思義就是在兩個方向分別進行一次線性插值（要求一個坐標的像素值，先去找他四個周圍已知像素的坐標，通過兩次單線性插值，得到他的像素值）

單線性插值：

將距離作為權重對y0與y1進行加權

雙線性插值：

已知的紅色數據點與待插值得到的綠色點

假如我們想得到未知函數 f 在點P= (x,y) 的值，假設我們已知函數f在Q11 = (x1,y1)、Q12 = (x1,y2),Q21 = (x2,y1) 以及Q22 = (x2,y2) 四個點的值。

首先在x方向進行線性插值，得到R1和R2，然后在y方向進行線性插值，得到P.
這樣就得到所要的結果f(x,y).

其中紅色點Q11,Q12,Q21,Q22為已知的4個像素點.

第一步：X方向的線性插值，在Q12,Q22中插入藍色點R2， Q11，Q21中插入藍色點R1；
第二步：Y方向的線性插值 ,通過第一步計算出的R1與R2在y方向上插值計算出P點。

線性插值的結果與插值的順序無關。首先進行y方向的插值，然后進行x方向的插值，所得到的結果是一樣的。雙線性插值的結果與先進行哪個方向的插值無關

轉置卷積（Transposed Convolution）在語義分割或者對抗神經網絡（GAN）中比較常見，其主要作用就是做上采樣（UpSampling

對于普通的卷積操作可以形式化為一個矩陣乘法運算
其中卷積核可以通過一個稀疏矩陣表示，其是由卷積核，滑動步長決定的常對角矩陣，維度為d1*d2 (d1為輸出的維度（展平為一維向量的形式）；d2為輸入的維度（展平為一維向量的形式）)

每一行向量表示在一個位置的卷積操作，0填充表示卷積核未覆蓋到的區域。
將輸入X展平為向量則：

同時根據矩陣運算的求導知識可以知道
轉置卷積的信息正向傳播與普通卷積的誤差反向傳播所用的矩陣相同
普通卷積的信息正向傳播與轉置卷積的誤差反向傳播所用矩陣相同

由上可知轉置卷積就是一個對輸入數據進行適當變換（上采樣/補零）的普通卷積操作
在具體實現是對應的卷積操作如下：
（S表示滑動步長（Sw，Sh），K表示轉置卷積核大小，P表示轉置卷積的padding）

unpooling記錄了原來pooling是取樣的位置，在unpooling的時候將輸入feature map中的值填充到原來記錄的位置上，而其他位置則以0來進行填充。

下采樣通常來講也叫做抽取，比如從多數集中抽取少部分
下采樣在圖像領域實際上就是縮小圖像，主要目的是為了使得圖像符合顯示區域的大小，生成對應圖像的縮略圖。比如說在CNN中的池化層或卷積層就是下采樣。不過卷積過程導致的圖像變小是為了提取特征，而池化下采樣是為了降低特征的維度。

下采樣層有兩個作用：
一是減少計算量，防止過擬合；
二是增大感受野，使得后面的卷積核能夠學到更加全局的信息。

1 池化：如Max-pooling和Average-pooling，目前通常使用Max-pooling，因為他計算簡單而且能夠更好的保留紋理特征；
2 卷積

以上是生活随笔為你收集整理的到底什么是上采样、下采样的全部內容，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。