# 上采样改变读数位置，跨层连接提供额外证据
[独立阅读](/course/blocks/upsampling-versus-new-evidence.html)**课堂上下文：从哪个问题来**
比较增加输出格子与增加输入证据。最近邻和双线性只规定怎样利用现有数值；离散标签与连续 logits 的插值又不同。8×8 算例清楚给出前景 IoU、背景 IoU、mIoU 和像素准确率，避免同一个小数换四个名字。


从 12×12 分数图恢复到 48×48，可以用最近邻复制，也可以用双线性按邻域加权。输出格子多了，是为了在原图坐标上作决定；运算本身没有再次看原图。若细边界的信息已被编码成相同数值，单独放大同一张图不能判断它原来在哪。



但低分辨率并不意味着一切细节必丢。通道、相位与邻域响应可能保留可用线索，训练出的解码器可以利用它们；真正的判断是“差别有没有进入 F”，而不只是 F 的宽高。因此 P37 既不许诺放大恢复真实细节，也不否定学习上采样的价值。



跨层连接做了一件不同的事：把较细层的特征另行送进预测模块。它提供的不是同一粗特征的复制，而是另一份尚可能保留位置细节的输入。深层上下文可帮助识别这是杯子，较细响应可帮助定位杯柄与窄缝；二者仍需通过任务训练学习怎样组合。



转置卷积是可学习的线性运算形式，不是一般意义上可还原任意输入的“逆卷积”。是否保留细节，应通过同源输入、目标、预测与错误图观察。



P38 的杯柄照片只是原图参考：细、粗特征先做坐标对齐，再由预测模块学习组合，交付像素类别分数或掩码，而不是还原那张 RGB 照片。图中的特征格为结构示意，轮廓为教学标注；是否减少空洞和边界错误，要另看模型预测与目标的比较。



图内标签与数值：Lecture 03 课堂图解 P38；同一图像；较细位置；较大上下文；对齐后融合；组合两层线索；学习像素类别分数；从像素监督学习；像素输出；接口示意；原图局部参考；检查空洞与边界；轮廓为教学标注；特征格为结构示意；照片不进入融合终点，右下掩码不是模型实测。

细、粗特征先对齐融合，再进入像素预测接口。杯柄照片独立用于检查空洞与边界；掩码轮廓为教学示意。 查看对应图解状态

- 同一图像
- 较细位置
- 较大上下文
- 对齐后融合
- 组合两层线索
- 学习像素类别分数
- 从像素监督学习
- 像素输出
- 接口示意
- 原图局部参考
- 检查空洞与边界
- 轮廓为教学标注
- 特征格为结构示意；照片不进入融合终点，右下掩码不是模型实测。细、粗特征先对齐融合，再进入像素预测接口。杯柄照片独立用于检查空洞与边界；掩码轮廓为教学示意。 [查看对应图解状态](/#/l3-r2-p38/0)[查看完整图解](/#/l3-r2-p38/0)
**出处：**[D2L §14.11 FCN](https://d2l.ai/chapter_computer-vision/fcn.html)
## 继续阅读与实验