上采样/下采样
缩小图像（或称为下采样（subsampled）或降采样（downsampled））的主要目的有两个：1、使得图像符合显示区域的大小；2、生成对应图像的缩略图。
放大图像（或称为上采样（upsampling）或图像插值（interpolating））的主要目的是放大原图像,从而可以显示在更高分辨率的显示设备上。对图像的缩放操作并不能带来更多关于该图像的信息, 因此图像的质量将不可避免地受到影响。
下采样原理：对于一幅图像I尺寸为MN，对其进行s倍下采样，即得到(M/s)(N/s)尺寸的得分辨率图像，当然s应该是M和N的公约数才行，如果考虑的是矩阵形式的图像，就是把原始图像s*s窗口内的图像变成一个像素，这个像素点的值就是窗口内所有像素的均值：
上采样原理：图像放大几乎都是采用内插值方法，即在原有图像像素的基础上在像素点之间采用合适的插值算法插入新的元素。
应用：高斯金字塔、卷积神经网络
卷积/逆卷积
卷积，听起来抽象，实际上就是一个加权求和的过程，权重就是卷积核，一个二维矩阵中的数值。
一图胜千言
作用：
在卷积神经网络中利用了图的局部特点，距离较远的神经元之间关联一般较低；
图像中和同一个卷积核位置关联的像素点共享权值，也直接降低了计算复杂度；
下采样并不会改变原有物体的情况。
那么逆卷积是什么？
更应该翻译乘转置卷积。
例如对于一个图像
输入矩阵可展开为向量，记作x
输出矩阵可展开为向量，记作y
卷积运算可表示为y = Cx
那么对于正向传播就是转换成了如上矩阵运算。
对于反向传播来说，求导如下
逆卷积用来在卷积神经网络结构的反向传播中计算导数。