利用全卷积网络进行车道识别

在这里插入图片描述

我们再把4 \times 4的输入特征展成16 \times 1的矩阵X：

$\begin{pmatrix} x_{0,0} \ x_{0,1} \ x_{0,2} \ x_{0,3} \ x_{1,0} \ x_{1,1} \ x_{1,2} \ x_{1,3} \ x_{2,0} \ x_{2,1} \x_{2,2} \ x_{2,3} \ x_{3,0} \ x_{3,1} \ x_{3,2} \ x_{3,3} \end{pmatrix}$

那么输出矩阵Y=CX则是一个 $4 \times 1$ 的输出特征矩阵，把它重新排列成$2 \times 2的输出特征就得到最终的结果，通过上述的分析，我们可以看到卷积操作可以表示为和矩阵C相乘，那么反卷积操作就是和矩阵C的转置C^T相乘。因此，反卷积操作也被称为转置卷积操作（transposed convolutional layer）。

下图所示的是参数为 $i'=2, k'=3, s'=1, p'=2$ 的反卷积操作，其对应的卷积操作参数为
$i=4, k=3, s=1, p=0$ 。