Module 03 · Object Detection

Transpose Convolutions转置卷积

转置卷积（Transpose Convolution） 是 U-Net 架构中的一个关键组成部分。它的作用是将输入的较小尺寸的特征图放大为更大的输出。例如，如何将一个 2×2 的输入图像扩展为 4×4 的输出？转置卷积正是解决这个问题的工具。让我们深入了解一下它的工作原理。

常规卷积与转置卷积的区别

你已经熟悉 常规卷积（Convolution），在常规卷积中，一个典型的神经网络层输入的图像尺寸可能是 6×6×3，经过 3×3×3 的滤波器卷积后，输出图像的尺寸会变为 4×4×5。而 转置卷积 则稍有不同，它的目标是将输入的尺寸放大。

比如，输入为 2×2 的激活图，经过一个 3×3 的滤波器卷积，输出将变为 4×4，即大于原始输入的尺寸。

转置卷积的详细示例

为了更好地理解转置卷积的工作原理，下面我们通过一个具体的例子来讲解如何实现从 2×2 输入扩展到 4×4 输出。

输入与设置

输入图像尺寸：2×2
滤波器尺寸：3×3
填充（Padding）：p=1
步幅（Stride）：s=2

转置卷积计算过程

第一步：应用滤波器
从输入图像的左上角开始，选择第一个 2，将其与 3×3 的滤波器中的每个值相乘，并将结果粘贴到输出图像上。这时，填充区域没有数值，因此我们会忽略填充区域，直接填入 4×4 的输出区域。

红色区域：我们将滤波器的结果应用到这个区域：
- $0 \times 2 = 0$
- $1 \times 2 = 2$
- $2 \times 2 = 4$
- $1 \times 2 = 2$

第二步：应用第二个输入值
接下来，我们用输入值 1 进行操作，类似地，乘以滤波器中的每个元素，然后将结果复制到输出的适当位置。因为步幅为 2，我们需要将滤波器移动两步：

复制数值到 绿色区域，并进行重叠处理，重叠区域的值相加：
- 2 + 2 = 4
- 0 + 2 = 2
- 依此类推。

第三步：应用输入值3
对于输入值 3，我们将滤波器应用到其对应区域。并同样处理重叠区域：

乘以滤波器中的每个元素，得到新的输出值：
- $2 \times 3 = 6$
- $1 \times 3 = 3$
- $0 \times 3 = 0$

第四步：应用最后的输入值2
最后，我们将 2 与滤波器中的每个元素相乘，并将其填入相应的输出区域。

结果如下：
- $1 \times 2 = 2$
- 依此类推填入输出矩阵。

输出结果

最终，通过上面的一系列操作，我们得到了一个 4×4 的输出矩阵。每个位置的值都是前面计算得到的结果。

位置	输出值
(1, 1)	0
(1, 2)	4
(1, 3)	0
(1, 4)	2
(2, 1)	2
(2, 2)	4
(2, 3)	2
(2, 4)	2
(3, 1)	6
(3, 2)	3
(3, 3)	0
(3, 4)	0
(4, 1)	2
(4, 2)	2
(4, 3)	2
(4, 4)	2

为什么要使用转置卷积？

你可能会问，为什么要使用转置卷积？事实上，转换小的输入为大的输出有多种方法，而转置卷积由于其有效性，在实现 U-Net 等语义分割算法时，能够得到非常好的结果。通过这些卷积操作，能够有效地扩展特征图的尺寸，使得 U-Net 的网络架构可以执行高质量的 语义分割。

构建 U-Net：实现转置卷积

在本视频中，我们详细讲解了如何通过转置卷积将 2×2 的输入放大为 4×4 的输出。这是 U-Net 架构的核心构建模块，而你将在本周的编程练习中实际操作并实现这一部分。

总结

转置卷积 是语义分割中不可或缺的工具，通过将小尺寸的输入图像扩展为更大的输出图像，它帮助 U-Net 在图像分割任务中实现高效的性能。现在，你已经理解了转置卷积的原理，接下来，我们将继续深入了解 U-Net 架构，以及它如何在语义分割中发挥作用。

下一步：U-Net架构中的应用

在下一个视频中，我们将继续探讨 转置卷积 在 U-Net 架构中的具体应用，并介绍如何在语义分割任务中使用这个构建块。我们下个视频见！