Question

使用MatConvNet构建的网络接受不同比例的图像并对其进行评估。例如： -

%img is an image of size 730*860*3
%net is loaded DagNN obj
scales = [-2 -1 0 0.5 1]
for s = 2.^scales
    img = imresize(raw_img, s, 'bilinear');
    img = bsxfun(@minus, img, averageImage);
    inputs = {'data', img};
    net.eval(inputs);
end

在调试时，我发现img已调整大小并评估循环的每次迭代。但网络（net）应该接受固定图像。作为 -

K>> net

net = 

  DagNN with properties:

                 layers: [1x319 struct]
                   vars: [1x323 struct]
                 params: [1x381 struct]
                   meta: [1x1 struct]
                      m: []
                      v: []
                   mode: 'test'
                 holdOn: 0
    accumulateParamDers: 0
         conserveMemory: 1
        parameterServer: []
                 device: 'cpu'

加载经过训练的网络后： -

K>> net.vars(1, 1).value

ans =

     []

在for循环内:-( iter 1）

K>> net.vars(1, 1).value

ans =

     [64 64 3]

（iter 2）

K>> net.vars(1, 1).value

ans =

     [160 160 3]

等...... 那么DagNN如何处理这样的输入并进行自我评估？（我是MatConvNet的新手，无法在文档中找到任何帮助。所以请回答这个问题并建议如何在keras中构建这样的东西）

Answer 1

通常，ConvNet不关心图像的输入大小。所有层都在执行类似卷积的操作（例如，甚至池在空间上表现得像卷积）。如果提供大输入，则会获得大输出。唯一关心输入大小的是损失层。如果您没有丢失图层，则代码根本不会中断。在MatConvNet中没有完全连接层这样的东西，一切都是卷积的。

顺便说一下，这就是为什么早期工作ConvNet的人认为FCN是一个有趣的名字，因为完全连接的层和卷积层之间确实没有区别。

深层网络如何接受物体检测中不同尺度的图像？

1 个答案: