计算机视觉任务：
semantic segmentation 是对图像中所有像素做分类，只要是一类的都不加区分，如下，两只奶牛都被标记的一样
semantic segmentation方案一 sliding windows
对每个小区域去做分类，且有重叠，计算量太大。
方案二 Fully convolutional
卷积过程中保持尺寸不变，改变深度。最后一层深度为C（类别数目），然后在channel上做argmax即可分类
上图计算量还是大，改进如下
down sampling: pooling ，strided conv
up sampling: unpooling ，transpose conv
####upsampling应与downsampling对称，比如downsampling采用maxpooling，upsampling就要对应max位置去做un_maxpooling
unpooling: nearest neighbor,bed of nails
卷积：
反卷积：
卷积操作可以写成矩阵乘法
[x,y,z]是卷积核，去卷积[a,b,c,d] zero_padding=1 stride=1
可以写作下图左边的矩阵乘法
而反卷积也可以看做矩阵乘法，而且X变为了X.T（transpose），反卷积乘法过程中a不再填充。
stride = 1时，反卷积可以看做卷积，即用[x,y,z]卷积核去卷积[a,b,c,d]，zero_padding=2，stride=1
stride = 2时，反卷积不能再看作卷积
