我读了几篇帖子/文章，对CNN下采样后的上采样机制有一些疑问。
我从这个问题中得到了第一个答案：https://www.quora.com/How-do-fully-convolutional-networks-upsample-their-coarse-output
我知道，与正常的卷积运算类似，"上采样"也使用需要训练的内核。
问题1：如果"空间信息"在CNN的第一阶段就已经丢失了，那么如何重建它呢？
问题2：为什么>"从网络深处的小(粗(特征图进行上采样具有良好的语义信息，但分辨率较差。从更靠近输入的较大特征图进行下采样，会产生更好的细节，但语义信息较差"？
问题#1
上采样不会(也不能(重建任何丢失的信息。它的作用是将分辨率恢复到上一层的分辨率。
从理论上讲，我们可以完全消除向下/向上采样层。然而，为了减少计算次数，我们可以在分层之前对输入进行下采样，然后对其输出进行上采样。
因此，向下/向上采样层的唯一目的是减少每一层的计算，同时保持输入/输出的维度与以前一样。
你可能会认为下采样可能会导致信息丢失。这总是有可能的，但请记住，CNN的作用本质上是从输入中提取"有用"的信息，并将其缩小到更小的维度。
问题#2
当我们从CNN中的输入层进入输出层时，数据的维度通常会降低，而语义和提取的信息有望增加。
假设我们有一个用于图像分类的CNN。在这样的CNN中，早期层通常提取图像中的基本形状和边缘。下一层检测更复杂的概念，如角、圆。你可以想象，最后一层可能有节点可以检测非常复杂的特征(比如图像中是否有人(。
因此，从靠近输入的大型特征图中进行上采样可以产生更好的细节，但与最后几层相比，语义信息更低。回顾过去，最后一层通常具有较低的维度，因此与早期层相比，它们的分辨率较差。