拆包和解卷积如何在DeConvNet中运行

Question

我一直试图了解DeConvNets中的解拼和解卷积是如何工作的.

Unpooling

在解放阶段,激活会恢复到最大激活选择的位置,这是有道理的,但剩下的激活情况呢？那些剩余的激活也需要恢复或以某种方式进行插值,或者只是在非池化地图中填充为零.

解卷积

在卷积部分(即,卷积层,Relu,池化)之后,通常具有多个特征映射输出,其将被视为连续层的输入通道(Deconv ..).为了实现与原始输入具有相同分辨率的激活图,这些要素图如何组合在一起？

Answer 1

1解放.

在关于解放的原始论文中,剩余的激活被归零.

2解卷积.

反卷积层只是其相应的转换层的转置.例如,如果转换层的形状是[height, width, previous_layer_fms, next_layer_fms],则deconv层将具有形状[height, width, next_layer_fms, previous_layer_fms].conv和deconv层的权重是共享的!(例如参见本文)

Answer 2

Unpooling

正如etoropov写的那样,你可以阅读Zeiler和Ferguson 关于在可视化和理解卷积网络中解放的问题:

解放:在预测中,最大合并操作是不可逆的,但是我们可以通过在一组切换变量中记录每个合并区域内的最大值的位置来获得近似逆.在deconvnet中,解开操作使用这些开关将来自上层的重建放置到适当的位置,从而保留刺激的结构.有关步骤的说明,请参见图1(底部).

解卷积

解卷积的工作方式如下:

• 您在每个像素周围添加填充
• 你申请卷积

例如,在下图中,原始蓝色图像用零填充(白色),灰色卷积滤镜用于获得绿色输出.

来源:什么是反卷积层？