CNN：输入步幅与输出步幅答案

【问题标题】：CNN: input stride vs. output strideCNN：输入步幅与输出步幅
【发布时间】：2017-06-16 10:23:12
【问题描述】：

在论文“用于语义分割的全卷积网络”中作者在反卷积的上下文中区分了输入步幅和输出步幅。这些术语有何不同？

【问题讨论】：

标签： conv-neural-network convolution deconvolution

【解决方案1】：

输入步幅是过滤器的步幅。你在输出中移动了多少过滤器。

Output Stride这实际上是一个标称值。在进行了几次卷积、最大池化操作后，我们在 CNN 中得到了特征图。假设我们的输入图像是 224 * 224，我们最终的特征图是 7*7。

然后我们说我们的输出步幅是：224/7 = 32（下采样后图像发生的近似值。）

这个张量流script描述了这个输出步幅是什么，以及如何在FCN中使用，这是密集预测的情况。

一个使用输入空间维度是 32 加 1 的倍数，例如 [321, 321]。在在这种情况下，ResNet 输出的特征图将具有空间形状 [(height - 1) / output_stride + 1, (width - 1) / output_stride + 1] 和角与输入图像的角完全对齐，这极大地有助于将特征与图像对齐。用作输入 [225, 225] images 在最后一个 ResNet 块的输出中产生 [8, 8] 特征图。

【讨论】：

嗨@Shamane，感谢您的回答。不幸的是，该脚本不再可用。你能重新提供吗？