常見的三種上采樣方式

引自：https://blog.csdn.net/u014451076/article/details/79156967

bilinear
雙線性插值是目前在語義分割中用的比較多的一種方式，比如FCN中就是用的這種方法。
這種方法特點是不需要進行學習，運行速度快，操作簡單。只需要設置好固定的參數值即可，設置的參數就是中心值需要乘以的系數。
一個簡單的例子可以參考如下(來自互聯網)：

 

 

 

接着，同樣的道理，使用f(R1), f(R2)進行插值，推導出來f( P )就可以了．

 

Deconvolution
Deconvolution是目前爭議比較多的方法，主要是名字上的爭議，由於實現上采用轉置卷積核的方法，所以有人說應該叫(transposed convolution)，但是思想上是為了還原原有特征圖，類似消除原有卷積的某種效果，所以叫反卷積(deconvolution). Caffe中叫deconvolution，這里就繼續沿用這個名字.
要理解deconv，要先了解conv的具體是實現方式，在實現過程中，為了使卷積運算更快的執行，通常轉化為矩陣乘法進行處理（因為矩陣乘法有一些加速計算庫）。卷積計算通常的兩種實現方式是：在caffe中使用im2col的方法，在其他的地方使用toeplitz matrix(托普利茲矩陣)進行實現。這里指的反卷積，也叫轉置卷積，它並不是正向卷積的完全逆過程，用一句話來解釋：反卷積是一種特殊的正向卷積，先按照一定的比例通過補  來擴大輸入圖像的尺寸，接着旋轉卷積核，再進行正向卷積。

 

unpooling

也就是反池化，不需要學習，用的不是太多，參考論文Visualizing and Understanding Convolutional Networks，還有SegNet和DeconvNet
簡單原理：在池化過程中，記錄下max-pooling在對應kernel中的坐標，在反池化過程中，將一個元素根據kernel進行放大，根據之前的坐標將元素填寫進去，其他位置補0
實現代碼可以看SegNet的實現