Welke laag vergroot de grootte tijdens de backpropagatie in U-Net en hoe werkt deze?

In U-Net wordt om de grootte van de kenmerken aan de terugweg te vergroten, een upsampling-laag gebruikt, die meestal wordt geïmplementeerd als een getransponeerde convolutie (transposed convolution) of een upsampling-operatie (bijvoorbeeld bilineaire interpolatie) gevolgd door een convolutie.

Deze laag vergroot de ruimtelijke afmetingen (breedte en hoogte) van de invoertensor, waardoor de resolutie die tijdens de downsampling verloren ging, wordt hersteld. Hierdoor helpt het netwerk om details van de afbeelding te herstellen door informatie te combineren met de overeenkomstige lagen in de directe doorgang via skip-verbindingen.

Voorbeeld in PyTorch met getransponeerde convolutie:

import torch.nn as nn

upconv = nn.ConvTranspose2d(in_channels=64, out_channels=32, kernel_size=2, stride=2)
# Vergroot de invoermaat met 2 keer in breedte en hoogte