conv2d_same 在更快的 rcnn 中比 conv2d(,padding='SAME') 有什么优势？答案

【问题标题】：What are the advantages of conv2d_same over conv2d(,padding='SAME') in faster rcnn?conv2d_same 在更快的 rcnn 中比 conv2d(,padding='SAME') 有什么优势？
【发布时间】：2018-07-19 20:29:03
【问题描述】：

为什么在更快的 rcnn 中使用conv2d_same 而不是普通的conv2d(..., padding='SAME')？

conv2d_same 代码位于Tensorflow GitHub。

【问题讨论】：

标签： tensorflow neural-network computer-vision conv-neural-network object-detection

【解决方案1】：

conv2d_same 与conv2d 在stride == 1 时完全一样。

当stride > 1，即意图是对张量进行下采样时，应用的填充有点不同。来自文档：

当stride > 1 时，我们会做显式的零填充，然后是 conv2d 带有“有效”填充。请注意
net = conv2d_same(inputs, num_outputs, 3, stride=stride)
等价于
net = slim.conv2d(inputs, num_outputs, 3, stride=1, padding='SAME')
net = subsample(net, factor=stride)
而
net = slim.conv2d(inputs, num_outputs, 3, stride=stride, padding='SAME')
当输入的高度或宽度是偶数时是不同的，这就是为什么我们添加当前函数。

区别基本上在于两种情况下下采样后得到的空间大小。

【讨论】：