创建完全卷积网络

Question

我正在阅读这份研究论文fully convolutional network for semantic segmentation，以下是该论文的引文

  

这些网络的完全连接的层具有固定的尺寸并丢弃了空间坐标。 但是，这些完全连接的层也可以看作是覆盖了整个输入区域的内核的卷积。。

我不理解粗体部分，但是在互联网上进行了一些研究之后，我得出的结论是，如果我删除最后一层（即完全连接的层），然后卷积最后一层（在删除完全连接的层之前倒数第二个） ）具有三个1x1内核，我将做与粗体部分相同的操作。 我可以在这里纠正吗？

为什么要使用三个1x1内核？

因为在纸上，他们从原始输入中在rgb中创建了一个热图，并且rgb意味着三个通道，但是卷积网络（没有完全连接的层）的结果具有许多通道（高维），因此需要使用三个1x1内核进行卷积它是一个rbg图片。 Image from paper

Answer 1

假设您在倒数第二层中有一个 200X200 的矩阵。 然后，如果您要使用全连接层，您会将 200X200 矩阵转换为单个一维数组。 这意味着一个大小为 40000 的数组。这就是丢弃空间坐标的意思。如果您正在应用 1x1 内核，则会发生同样的事情。你会得到一个类似的，像素值没有变化。