kaggle 糖尿病视网膜病变检测第二名解决方案神经网络中的“大小”是什么意思？

Question

链接： https://www.kaggle.com/c/diabetic-retinopathy-detection/discussion/15617

Github： https://github.com/sveitser/kaggle_diabetic

你好，我是 CNN 的新手，最近我正在研究这个解决方案。作者画了一张他的小组设计的网络表格。单位、过滤器和步幅对我来说都很有意义，但我只是不知道“大小”是什么意思。更可能是批量大小还是图像大小？

我一开始以为应该是图片大小，但有两个原因不应该：

1. 正如他们在报告中所描述的，他们只是将原始图像裁剪为 128x128,256x256,512x512 像素，没有进行任何其他图像预处理。

2. 在阅读了他们的代码（来自 Github 链接）后，我发现他们对 InputLayer 的设置是：

   (InputLayer, {'shape': (None, 3, cnf['w'], cnf['h'])}),
   

   这证实了他们的比赛报告中的描述。

因此，我认为输入大小应该是 3x128x128，而不是 448。

这是我的问题：

1.如果输入图片尺寸不是448，448是什么意思？

2.如果是batch size，为什么会选择448？和

3.为什么他们会让batch size从第1层到第19层减少（基本上是/2）到224 111 56 27 13 6 2？

Answer 1

linked table 的 size 列是指层中激活的垂直和水平尺寸。

这些是 repo 中表格中网络的完整配置：

• Network A

• Network B

这两个都有输入宽度和高度 448，即。输入层的size是448。

我们可以使用以下公式来计算卷积层激活的垂直和水平维度：

ACTIVATION_SIZE = (INPUT_SIZE − FILTER_SIZE + PADDING_PREV + PADDING_AFTER) / STRIDE + 1

我们可以从上面链接的网络配置中获取输入大小、过滤器大小和步幅参数。由于他们使用的是 Lasagne 的早期开发版本，因此很难准确判断他们使用的是哪种填充物，因此我们必须在那里做出一些假设。

对于网络 A：

INPUT_SIZE = 448
FILTER_SIZE = 5
STRIDE = 2

如果PADDING_PREV = 2 和PADDING_AFTER = 1（或相反），使用上面的公式将解析为224 的激活大小。由于根据他们的表，第一个卷积层的大小是 224，我们可以很确定我们正确地解释了参数。

对于网络 B：

INPUT_SIZE = 448
FILTER_SIZE = 4
STRIDE = 2

如果两个填充都是 1，这将导致激活大小为 224，如表中所示。

最后，作者报告了 512x512 图像的网络架构，并省略了将这些图像调整为 448x448 分辨率的细节以及它们如何应用填充。这是计算机视觉社区的惯例，人们总是可以依靠上面的公式来验证这些细节。