背景介绍
Upsampling(上采样):简单的说就是放大图像，获得更大的分辨率，上采样对于卷积神经网络任务来说并不是必须的，但是在某些场合中却必须要使用，尤其是在语义分割任务中，如何选择上采样的方式可能决定着语义分割效果。可能小伙伴们对上采样不是很熟悉，但是对于下采样一定都不陌生，典型的下采样步骤就是池化。因此上采样也可被看作是池化的逆过程。
Maxpooling-Indices(最大池化索引)与Upsampling(上采样)和Deconvolution(反卷积)之间的区别
Maxpooling-Indices(最大池化索引)：又称为Unpooling(反池化)，池化后记录最大值所在的位置，在反池化的过程中，给相应位置上写入值，其他位置为0。这个方法没有参数，但是这个方法并不常用，因为存在大量的稀疏数据，使模型收敛速度大大降低。
Upsampling(上采样)：将输入resize到设置大小，然后利用指定的插值方法对周围的值进行插值，常用最近邻插值和双线性插值。因为相邻区域的像素和特征应该是相似的，因此这个方法特别常用，既没有参数，也不会存在稀疏数据。
Deconvolution(反卷积)：本质是卷积，注意反卷积并不能从卷积的结果返回到卷积前的数据，只能返回到卷积前的尺寸。卷积通过设置kernel_size卷积核大小，strides步长和padding填充方式可以将图像的分辨率降低，相反的反卷积可以通过设置kernel_size卷积核大小，strides步长和padding填充方式先对数据进行填充，然后再进行卷积操作，可以将图像的分辨率增加。**这个方法不推荐经常使用，因为存在大量参数，而且可能会存在棋盘格效应，可以参考棋盘格可视化**。
小结
由于CNN经常使用池化来缩小图像尺寸，方便提取更深层次的特征，因此下采样是CNN网络重要的组成部分，但是在某些特殊场景需要对图像大小进行复原，因此上采样应运而生，所以要想系统的学习神经网络，上采样知识点是小伙伴们必不可少的。