---

前言

  在卷积神经网络（Convolutional Neural Network，CNN）中，下采样和上采样是指特征图的空间尺寸变化操作。

一、上采样（Upsampling）

  常用于将特征图的空间尺寸恢复到原始输入尺寸，或者增加特征图的分辨率。常见的上采样操作包括反卷积（Deconvolution）或转置卷积（Transpose Convolution）和插值（Interpolation）。反卷积操作通过学习可逆卷积核来进行上采样，而插值操作则通过插值算法（如最近邻插值、双线性插值等）对特征图进行填充和插值，从而增加特征图的尺寸。

二、下采样（Downsampling)

  通常称为池化（Pooling），它的作用是减小特征图的空间尺寸。最常见的池化操作是最大池化（Max Pooling），它将原始特征图划分为不重叠的小区域，然后在每个区域中选择最大值作为采样点，从而减小特征图的宽度和高度。池化操作有助于提取特征的平移不变性，同时减少了特征图的尺寸，减少了参数量和计算量，缓解了过拟合。