上采样方法
在语义分割中，要求输入输出的分辨率一样大
在特征提取的时候，需要进行下采样，所以在encode过程中，要进行相应的上采样。
上采样，即扩充图像的h和w。
常见的上采样方法有双线性插值、转置卷积、上采样（unsampling）和上池化（unpooling）。
其中前两种方法较为常见，后两种用得较少。
1. 插值法
双线性插值是目前在语义分割中用的最多的一种方式，其特点是不需要学习，运行速度快，
接着，同样的方法，在Y方向上插值，就可以推导出P点处的像素值。
在pytorch中的API调用
卷积核kernel尺寸为3X3
设strides=1， padding=0，
按照卷积计算公式
所以输出的output尺寸为 2X2
2.2
用矩阵乘法描述卷积
把input 的元素矩阵展开为一个列向量
输出output展开为一个列向量
用矩阵运算描述整个过程
通过推导，可以得到稀疏矩阵
2.3 反卷积
反卷积就是要对这个矩阵运算进行逆运算，即通过C和Y得到X
所以反卷积也叫转置卷积
需要注意的一点是，反卷积只是恢复了矩阵X的大小，不能恢复其数值
反卷积输入输出的关系
正常卷积：
o = (i + 2*p - k)/s + 1
反卷积相当于输入输出对调：
i = s * (o - 1) + k - 2*p
所以反卷积的输出为
o = s * (i - 1) + k - 2*p
pytorch 中API调用
self.up_output = nn.ConvTranspose2d(num_classes, num_classes, kernel_size=4, stride=2, bias=False)
3. Upsampling 和 Uppooling
uppooling 用的比较少，具体如下图示意
图片来源：上采样方法原理简介 - 简书 (jianshu.com)
