CNN中的降采样策略及升采样策略

1 降采样

CNN降采样的方法主要有三种

• 1. stride 大于1的pooling
• 1. stride 大于1的conv
• 1. stride 大于1的reorg(passthrough layer)

1和2的效果在Striving for Simplicity: The All Convolutional Net[https://arxiv.org/abs/1412.6806] 中有所解释。 卷积神经网络小的时候，使用pooling降采样效果可能更好，卷积神经网络大的时候，使用stride=2的conv降采样效果可能更好。pooling所提供的非线性是不可学习的。
3 可以保留较低层次的信息，细节信息较为丰富， 1，2降采样后的特征具有更强的语义性。

2. 升采样

• 1. 插值， nearest interpolation、bilinear interpolation、bicubic interpolation
  2. 反卷积/转置卷积

  deconv和插值，都是通过周围像素点来预测空白像素点的值，区别在于一个权重由人为预先定义的公式计算，一个通过数据驱动来学习

3. Reference

https://zhuanlan.zhihu.com/p/46633171

https://zhuanlan.zhihu.com/p/41427866