[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）

一、概念

1、定义

2、运算步骤

二、常见参数

一、概念

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：

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：

转置卷积运算步骤：

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。

torch.nn.ConvTranspose2d参数

$H_{out}=(H_{in}-1)\times stride[0]-2\times padding[0]+dilation[0]\times (kernelSize[0]-1)+outputPadding[0]+1$

$W_{out}=(W_{in}-1)\times stride[1]-2\times padding[1]+dilation[1]\times (kernelSize[1]-1)+outputPadding[1]+1$