在目标检测、语义分割以及卷积神经网络（CNN）中，经常会看到两个概念：上采样（Upsampling）和下采样（Downsampling）。
简单来说：
下采样：减小特征图的尺寸
上采样：增大特征图的尺寸
例如，一张大小为 640×640 的图像经过多次下采样后：
而上采样则相反：
1. 什么是下采样？
下采样（Downsampling）就是降低图像或者特征图的空间分辨率。
例如：
640×640 → 320×320
宽和高都变成原来的 1/2，像素数量则变成原来的 1/4。
在卷积神经网络中，下采样主要有几个作用：
1.减少特征图尺寸，降低计算量；
2.扩大感受野；
3.提取更加高级的语义特征；
4.降低模型后续网络层的计算和显存开销。
常见的下采样方法
（1）步长卷积
例如使用 stride=2 的卷积：
import torch.nn as nn
conv = nn.Conv2d(
in_channels=3,
out_channels=32,
kernel_size=3,
stride=2,
padding=1
)
输入：
640×640
经过卷积后，特征图大致变为：
320×320
（2）池化
例如最大池化：
pool = nn.MaxPool2d(
kernel_size=2,
stride=2
)
同样可以实现：
640×640 → 320×320
2. 什么是上采样？
上采样（Upsampling）与下采样相反，就是增大图像或者特征图的空间尺寸。
例如：
80×80 → 160×160
需要注意的是，上采样并不是凭空恢复已经丢失的原始信息，而是通过插值、可学习参数等方式，将低分辨率特征映射到更高的空间分辨率。
常见的上采样方法
（1）最近邻插值
upsample = nn.Upsample(
scale_factor=2,
mode="nearest"
)
例如：
80×80 → 160×160
（2）双线性插值
upsample = nn.Upsample(
scale_factor=2,
mode="bilinear",
align_corners=False
)
双线性插值会根据周围像素计算新的像素值，因此通常比最近邻插值更加平滑。
（3）转置卷积
deconv = nn.ConvTranspose2d(
in_channels=256,
out_channels=128,
kernel_size=2,
stride=2
)
转置卷积中的参数可以通过训练学习，因此也经常用于分割网络的解码器。