如何减小VGG16中间层瓶颈特征的大小？

Question

我想vgg16网络而不是conv5_3层c0nv4_3连接到更快的R-CNN的RPN网络。 这是vgg16网络的python代码。 我更改了这些行：

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

至：

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层 ； 因为我的物体很小，我希望得到更好的结果，但是结果变得更糟。 我想我需要在conv4的末尾添加一个deconv层吗？ 还是有另一种方式？

谢谢

Answer 1

也有一些方法可以减少瓶颈特征的长度。

为什么不添加deconv ：

• 您将使用随机值初始化deconv层
• 您不是在微调网络，而是通过网络向前传递。
• 因此，deconv的输出将使conv4的功能随机化

池化层：

• 平均池（基于窗口大小，它将返回该窗口的平均值）。 因此，如果说带有值[3,2,4,3]的window（2,2）将仅产生一个值：6

• MaxPool（基于窗口大小，将导致该窗口的最大值）。 因此，如果说带有值[3,2,4,3]的window（2,2）将仅产生一个值：3

在此处查看池化层