背景

encoderとdecoderのネットワークでmax_poolしてからmax_unpoolしてるのを見て、これは一体なんの意味があるのか気になったので実験してみた

実験

test code

x_4, indices_4 = F.max_pool2d(x_42, kernel_size=2, stride=2, return_indices=True)
x_4d = F.max_unpool2d(x_4, indices_4, kernel_size=2, stride=2, output_size=dim_4)
print("x_4d.shape=",x_4d.shape)
print("x_42.shape=",x_42.shape)

save_image(x_4d[0,0,:,:],"x_4d.png")
save_image(x_42[0,0,:,:],"x_42.png")

output

x_4d.shape= (8, 512, 14, 14)
x_42.shape= (8, 512, 14, 14)

結果

x_4d[0,0,:,:] ![image.png](https://qiita-image-store.s3.ap-northeast-1.amazonaws.com/0/482094/e8d1a6ce-ef11-fd4f-3471-e2829df82469.png)

x_42[0,0,:,:]

数字で表すとこんな感じ

結論

max poolしてmax unpoolすると、windowの中の最大値以外が0になる。機能的には強い特徴が強調されるという事だろうか。

参考文献

http://usagisagi.hatenablog.com/entry/2018/07/04/212940