本文深入探讨了图像处理中的关键概念——图像采样技术，包括降采样（down-sampling）和上采样（up-sampling）两种主要类型。降采样通过舍弃部分像素实现图像缩放，而上采样则通过添加像素来放大图像或优化分辨率。文章详细介绍了在卷积神经网络（CNN）中使用的降采样方法，如最大池化和平均池化，并讨论了上采样的几种常见技术，如双线性插值、反卷积和反池化。
1.down-sampling（降采样/下采样）
图像的down-sampling也称图像sub-sampling，通过舍弃一些元素，实现图像的缩放。
(图源Udacity course "Introduction to Computer Vision)
在CNN中，汇合层（Pooling layer）通过max pooling 或average pooling等操作，使汇合后结果中一个元素对应于原输入数据的一个子区域，因此汇合操作实际上就是一种”降采样“操作
2.Upsampling（上采样）
图像的up-sampling 是指，通过向图像中添加一些，实现图像的放大或分辨率的优化等。常用方法有：
- Bilinear（双线性插值法）
- 不需要进行学习，运行速度快，操作简单。
- 只需要设置好固定的参数值即可，设置的参数就是中心值需要乘以的系数。
- Deconvolution（反卷积）
- 参考https://github.com/vdumoulin/conv_arithmetic
- Unpooling（反池化）
- 在池化过程中，记录下max-pooling在对应kernel中的坐标
- 在反池化过程中，将一个元素根据kernel进行放大，根据之前的坐标将元素填写进去，其他位置补0
参考链接
【1】https://blog.csdn.net/g11d111/article/details/82350563
【2】https://www.youtube.com/watch?v=-Ce8L5CMBbg
【3】https://blog.csdn.net/u014451076/article/details/79156967
扫一扫
1588
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
