图像分割中常用的上采样技术有哪些？你知道有哪些吗？

在深度学习图像分割领域研究中，采用Encoder-Decoder架构的方法是一种经典的方案。该架构可被视为由编码器模块与解码器模块两个主要组件构成。其中，在编码端（Encoder），通过卷积与池化操作使特征图逐层减少尺寸并提取更高层次的抽象特征；而在解码端（Decoder），利用上采样技术使图像的空间细节逐步恢复完善。

下图是SegNet论文中体现Encoder-Decoder框架的示意图。

在之前的讨论中指出,解码器模块通过上采样的方式持续重构空间信息,而本节将深入探讨这一关键操作的具体实现方式,并具体阐述广泛应用于不同语义分割架构中的主流上采样技术

一、Bilinear interpolation 双线性插值

1.1 线性插值

线性插值是一种相对简便的数值逼近方法；它采用的一次多项式作为被逼近函数，并且在各个节点处满足匹配条件；在线性插值中，在各个节点处的误差恒等于零

已知数据(x_1, y_1)和(x_2, y_2), 计算在[x_1, x_2]区间内某一位置x在直线上的y值。

已知：