1. 反池化和反卷积

   以下是DeconvNet的整体架构：

 unpooling：

 (Unpooling操作需要依据max pooling记录的位置,将每个pooling区域还原回去。在进行max pooling时,我们记录下每个pooling区域的最大激活值所在的位置坐标,在unpooling时就可以依据这些坐标,把激活值放回对应的位置,从而实现反池化的目的。 Unpooling的目的是进行上采样,恢复更高分辨率的特征图。)

Deconvolution

反卷积只是将输入转换回更大的尺寸。在转置卷积中，您尝试将一些特征来升级为接近图像。转置卷积具有可学习的特性，可以使用反向传播来学习。

反卷积层是一个非常不幸的名称，应该称为转置卷积层。

用一个滤波器（filter）对输入图片进行反卷积操作的过程。反卷积是一种用于上采样的操作，即将低分辨率的输入转换为高分辨率的输出。反卷积并不是卷积的逆过程，而是一种特殊的卷积，其卷积核是转置的，并且在输入中插入了一些零同时把步长变成1、1/2、1/3或1/4从而增大feature map的面积。

Visually, for a transposed convolution with stride one and no padding, we just pad the original input (blue entries) with zeroes (white entries) (Figure 1).

​

 

In case of stride two and padding, the transposed convolution would look like this (Figure 2):

 上图是一个例子。(b) 是 14×14 反卷积层的输出。(c)是unpooling后的输出，依此类推。我们可以在（j）中看到自行车可以在最后一个 224×224 反卷积层重建，这表明学习的过滤器可以捕获特定于类别的形状信息。