【发布时间】：2018-08-12 06:19:16
【问题描述】：
在 CNN 中，如果使用填充以使图像的大小在经过几个卷积层后不会缩小——那我们为什么要使用跨步卷积呢？我想知道，因为跨步卷积也在减小图像的大小。
【问题讨论】：
标签： machine-learning deep-learning computer-vision conv-neural-network
【发布时间】：2018-08-12 06:19:16
【问题描述】：
因为我们想要缩小图片大小。有一些原因：
- 减少计算和内存需求。
- 将局部特征聚合到更高级别的特征。
- 后续卷积在原始尺度上会具有更大的感受野。
传统上我们使用池化来减小图像的大小，例如最大池化。跨步卷积是另一种方法（而且它越来越流行）。
【讨论】：
-
是的。但是为什么我们在一个网络中同时使用填充和跨步，因为填充用于增加大小，而跨步用于减小大小。这不是采取的无用步骤..其中一个应该用对了吗？？
-
@AnuragKedia 通常我们不会在每一步都使用跨步卷积。我们只偶尔下采样一次，因此通过填充每一层的输出图像大小将类似于 512->512->256->256->128->128->... 而且很容易理解。如果没有填充，它会像 512->510->205->... 这很难理解。
-
在什么方面难以遵循？
-
@AnuragKedia 研究人员难以跟上？也使快捷连接更容易，如 resnet 或 Unet。大多数情况下，这 1 或 2 行/列像素无关紧要，人们倾向于保持简单。