Dense prediction
- fully convolutional network for sementic segmentation
先用feature extractor 提特征，然后再使用加入upsample層，得到dense prediction。
這里的‘deconvolution’其實不是真正的反卷積。 作者給出了幾種方案， 實際中使用‘transposed convolution’(在matconvnet 中就叫convtranspose)，轉置卷積只是恢復了其形狀，並未對其值進行恢復，這也是為什么將其稱為反卷積不合適的原因了
No zero padding，uint stride： 理解為正向卷積padding 為0.轉置卷積為full padding
Fractional Strided Convolution：使用大於1的stride（對於正向卷積） 來upsampleing，fractional stride convolution 微步卷積。帶洞是為了使轉置卷積的步長變為正向卷積的1/i倍。
參考： https://github.com/vdumoulin/conv_arithmetic
轉置卷積：
什么是真正的deconvolution？
針對直接upsample的結果不好的情況，使用淺層特征進行輔助。但是對於小的目標依然有檢測不到的情況，對於大目標又檢測不對。
- accurate image super-resolution using very deep convolutional network
網絡中全部使用卷積層，只用了一個尺度。可能對於超分辨還行，因為每個像素只與周圍的幾個像素有關（其實不太懂）