如何在张量流中实现兴趣区域池化层？

Question

我正在尝试创建Faster RCNN like model。 从功能图上进行ROI合并时，我陷入了困境。 我知道这里可以使用双线性采样，但是对于端到端训练可能没有帮助。 如何在张量流中实现此ROI池化层？

Answer 1

顾名思义，双线性采样实际上可以用于端到端训练，因为它基本上是线性运算。 但是，缺点是您的局部最大值（即强激发或某些单位）可能会消失，因为您的采样点恰好接近最小值。 为了解决这个问题，您可以改用max_pool(features, kernel, stride)操作，其中调整内核和步幅，以便此max pool操作的最终输出始终具有相同的尺寸。

例如：您的12x12尺寸为12x12并且您希望将其12x12为4x4 ，然后设置kernel=(3,3)和stride=(3,3)可以帮助您实现这一目标，对于每个3x3补丁，相应的特征图将包含在输出中。