В U-Net для увеличения размера признаков на обратном пути используется слой upsampling, чаще всего реализуемый как транспонированная свёртка (transposed convolution) или операция upsampling (например, bilinear interpolation) с последующей свёрткой.
Какой слой увеличивает размер на обратном пути в U-Net и как он работает?
Этот слой увеличивает пространственные размеры (ширину и высоту) входного тензора, восстанавливая разрешение, потерянное на этапе сжатия (downsampling).
Короткий ответ
Что ответить на собеседовании
Подробный разбор
Ответ с пояснениями
В U-Net для увеличения размера признаков на обратном пути используется слой upsampling, чаще всего реализуемый как транспонированная свёртка (transposed convolution) или операция upsampling (например, bilinear interpolation) с последующей свёрткой.
Этот слой увеличивает пространственные размеры (ширину и высоту) входного тензора, восстанавливая разрешение, потерянное на этапе сжатия (downsampling). При этом он помогает сети восстанавливать детали изображения, комбинируя информацию с соответствующими слоями прямого прохода через skip connections.
Пример на PyTorch с транспонированной свёрткой:
import torch.nn as nn
upconv = nn.ConvTranspose2d(in_channels=64, out_channels=32, kernel_size=2, stride=2)
# Увеличивает размер входа в 2 раза по ширине и высоте