[SS]语义分割_转置卷积

转置卷积（Transposed Convolution）

抽丝剥茧，带你理解转置卷积（反卷积） 

目录

一、概念

1、定义 

2、运算步骤

二、常见参数

---

一、概念

1、定义 

        转置卷积（Transposed Convolution），也被称为反卷积（Deconvolution）或逆卷积（Inverse Convolution），是一种卷积神经网络中常用的操作。转置卷积可以用于图像生成、图像分割、语义分割等任务中。

        转置卷积的操作实际上是卷积操作的逆过程。在标准的卷积操作中，输入数据经过卷积核的滑动窗口运算，生成输出特征图。而在转置卷积中，输出特征图经过转置卷积核的滑动窗口运算，生成输入数据的近似重构。

        转置卷积的操作可以用矩阵乘法的方式来实现，也可以用卷积的方式来实现。在实际应用中，常常使用卷积的方式来实现转置卷积，而不是直接进行矩阵乘法运算。

转置卷积的计算过程可以简化为以下几个步骤：

1. 在输入特征图上进行填充操作，将输入特征图的尺寸扩大一定倍数（根据转置卷积核的大小和步长确定）。
2. 将填充后的输入特征图与转置卷积核进行卷积操作，得到中间特征图。
3. 对中间特征图进行剪裁操作，使其尺寸与输入特征图相同。
4. 得到转置卷积的输出特征图。

        通过转置卷积操作，可以将低维的输入特征图扩张为高维的输出特征图，从而实现图像的生成和重构。转置卷积在卷积神经网络中得到广泛应用，如生成对抗网络（GANs）、语义分割网络等。

notes：

• 转置卷积不是卷积的逆运算，只是将特征图大小还原回卷积之前的大小，数值与输入特征层的数值不相同
• 转置卷积也是卷积
• 转置卷积的作用是上采样

2、运算步骤

转置卷积运算步骤：

• 在输入特征图元素间填充行、列0
• 在输入特征图四周填充行、列0
• 将卷积核参数上下、左右翻转
• 做正常卷积运算(填充0，步距1)

        输入的特征图大小为2x2（假设输入输出都为单通道），通过转置卷积后得到4x4大小的特征图。这里使用的转置卷积核大小为k=3，stride=1，padding=0的情况（忽略偏执bias）。

notes：

        做正常卷积运算中的步距与第一步中的参数s不一样，参数s对应的是转置卷积中的参数s，即输入的特征图是经过步距为s、padding为p，卷积核大小为k的卷积之后得到的。 

二、常见参数

torch.nn.ConvTranspose2d参数

 

• in_channels(int)-输入特征图通道数
• out_channels(int)-输出特征图通道数
• kernel_size(int or tuple)-卷积核大小
• stride(int or tuple,optional)-步距大小
• padding(int or tuple,optional)-填充
• output_padding(int or tuple,optional)-输出填充，通常默认为0
• groups(int,optional)-是否采用主卷积，默认为1
• bias(bool,optional)-偏置，默认为True
• dilation(int or tuple,optional)-是否使用膨胀卷积或空洞卷积，默认为1