شبکه عصبی کانولوشنی معکوس (Deconvolutional Network)، در ریاضیات (Mathematics)
انواع شبکه های عصبی (Neural Networks) را در آموزش زیر شرح دادیم :
شبکه عصبی کانولوشنی معکوس (Deconvolutional Network) :
شبکه عصبی کانولوشنی معکوس (Deconvolutional Network) یا شبکه با کانولوشن انتقالی (transposed convolution) نوعی شبکه است که برای افزایش ابعاد مکانی به کار می رود. برخلاف کانولوشن معمولی که ابعاد را کاهش می دهد (یا با padding مناسب ثابت نگه می دارد)، کانولوشن معکوس ابعاد را افزایش می دهد. این عملیات در بخش بندی معنایی (مثلا در معماری های encoder-decoder مانند U-Net) و تولید تصویر (در مولدهای GAN) بسیار حیاتی است.
از نظر ریاضی، اگر کانولوشن معمولی با stride>1 ابعاد را کاهش دهد، کانولوشن معکوس با stride مناسب (معمولا stride همان گام کانولوشن معکوس) ابعاد را افزایش می دهد. برای یک فیلتر با اندازه
\[ k \]و stride
\[ s \]، کانولوشن معکوس ورودی با اندازه
\[ i \]را به خروجی با اندازه
\[ o = s(i-1) + k \]تبدیل می کند.
عملیات کانولوشن معکوس را می توان به عنوان یک کانولوشن معمولی روی ورودی با درون یابی صفر (zero insertion) بین نقاط در نظر گرفت. این عملیات ماتریس وزن دارد و قابل آموزش است.
مشکل رایج در کانولوشن معکوس، ایجاد مصنوعات شطرنجی (checkerboard artifacts) در تصاویر تولیدی است که به دلیل overlap نامنظم ایجاد می شود. برای کاهش آن، می توان از upsampling (مثلا resize) + کانولوشن معمولی استفاده کرد.
کاربردها: مولدهای GAN (مانند DCGAN)، شبکه های segmentation (U-Net)، super-resolution، هر جایی که نیاز به افزایش ابعاد با قابلیت یادگیری باشد.
