Question

我正在尝试连接 vgg16 网络的 c0nv4_3 层，而不是 conv5_3 到更快的R-CNN的RPN网络。 Here是vgg16网络的python代码。我改变了这些路线：

def _image_to_head(self, is_training, reuse=False):
    with tf.variable_scope(self._scope, self._scope, reuse=reuse):
      net = slim.repeat(self._image, 2, slim.conv2d, 64, [3, 3],
                          trainable=False, scope='conv1')
      net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool1')
      net = slim.repeat(net, 2, slim.conv2d, 128, [3, 3],
                        trainable=False, scope='conv2')
      net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool2')
      net = slim.repeat(net, 3, slim.conv2d, 256, [3, 3],
                        trainable=is_training, scope='conv3')
      net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool3')
      net = slim.repeat(net, 3, slim.conv2d, 512, [3, 3],
                        trainable=is_training, scope='conv4')
      net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool4')
      net = slim.repeat(net, 3, slim.conv2d, 512, [3, 3],
                        trainable=is_training, scope='conv5')

    self._act_summaries.append(net)
    self._layers['head'] = net

return net

为：

def _image_to_head(self, is_training, reuse=False):
    with tf.variable_scope(self._scope, self._scope, reuse=reuse):
      net = slim.repeat(self._image, 2, slim.conv2d, 64, [3, 3],
                          trainable=False, scope='conv1')
      net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool1')
      net = slim.repeat(net, 2, slim.conv2d, 128, [3, 3],
                        trainable=False, scope='conv2')
      net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool2')
      net = slim.repeat(net, 3, slim.conv2d, 256, [3, 3],
                        trainable=is_training, scope='conv3')
      net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool3')
      net = slim.repeat(net, 3, slim.conv2d, 512, [3, 3],
                        trainable=is_training, scope='conv4')

    self._act_summaries.append(net)
    self._layers['head'] = net

return net

如上所示，我删除了 conv5和pool4图层;因为我的物体很小，我希望得到更好的结果，但结果变得更糟。我想我需要在conv4的末尾添加 deconv图层？还是有另一种方式？

感谢

Answer 1

还有一些方法，用于减少瓶颈功能的长度。

为什么不添加deconv ：

您将使用随机值初始化deconv图层
你不是在调整网络，你只是在向前传递网络。
因此deconv的输出将随机化你的conv4

合并图层

平均合并（根据窗口大小，它将返回该窗口的平均值）。因此，如果让我们说带有值[3,2,4,3]的窗口（2,2）只会产生一个值：6
MaxPool（根据窗口大小，它将产生该窗口的最大值）。所以如果让我们说带有值[3,2,4,3]的窗口（2,2）只会产生一个值：3

查看合并图层here

如何减小VGG16中间层瓶颈特征的大小？

1 个答案: