Dense prediction
- fully convolutional network for sementic segmentation
先用feature extractor 提特征，然后再使用加入upsample层，得到dense prediction。
这里的‘deconvolution’其实不是真正的反卷积。 作者给出了几种方案， 实际中使用‘transposed convolution’(在matconvnet 中就叫convtranspose)，转置卷积只是恢复了其形状，并未对其值进行恢复，这也是为什么将其称为反卷积不合适的原因了
No zero padding，uint stride： 理解为正向卷积padding 为0.转置卷积为full padding
Fractional Strided Convolution：使用大于1的stride（对于正向卷积） 来upsampleing，fractional stride convolution 微步卷积。带洞是为了使转置卷积的步长变为正向卷积的1/i倍。
参考： https://github.com/vdumoulin/conv_arithmetic
转置卷积：
什么是真正的deconvolution？
针对直接upsample的结果不好的情况，使用浅层特征进行辅助。但是对于小的目标依然有检测不到的情况，对于大目标又检测不对。
- accurate image super-resolution using very deep convolutional network
网络中全部使用卷积层，只用了一个尺度。可能对于超分辨还行，因为每个像素只与周围的几个像素有关（其实不太懂）