如何确保 Caffe 分割网络输出大小与输入相同？

Posted 2023-03-27

【中文标题】如何确保 Caffe 分割网络输出大小与输入相同？

【英文标题】：How to ensure Caffe segmentation network output size is the same as input?

【发布时间】：2018-02-12 14:31:11

【问题描述】：

我正在使用 U-net 架构训练分割模型。输入图像尺寸为 250x250。

目前，我手动调整了一些卷积层的填充，以确保模型输出的大小相同，即 250x250。

但当我输入不同尺寸的图像时，例如 500x500 的图像，输出尺寸为 506x506。

如何确保所有尺寸的输出尺寸与输入尺寸相同？

【参考方案1】：

您可以使用"Crop" 层来强制输出形状相同。 对于 U-net，我建议在每次上采样后使用裁剪层，而不仅仅是在最后，以避免累积填充错误。

关于“填充错误”： 假设您有一个形状为 100x100 的输入，您将其采样 3 倍，如果为 2，您将得到 13x13 的特征图。 现在，如果你每次上采样 3 次 x2

13x13 --> 26x26 --> 52x52 --> 104x104

由于填充/舍入，您有“额外的”4 个像素（在您的问题中，您有 6 个）。 但是，如果您在每次上采样后"Crop"

13x13 --> 26x26 \crop 25x25 --> 50x50 --> 100x100

您会看到，只有在第一次上采样之后，才会出现非平凡的裁剪，并且在该级别只有 1 个像素错误，而不是 4 个。

【讨论】：

填充错误到底是什么意思？我只是在最后一个上采样层之后添加了一个裁剪层以匹配大小，它似乎工作正常。有什么问题吗？

感谢您的编辑，但我怎么知道在中间层中需要裁剪多大尺寸？ （假设我的输入大小不固定）

@shubhamgoel27 "Crop" 层获得第二个输入 ("bottom") 用作“参考”形状。您需要提供下采样特征的 blob 名称。例如，如果"pool_x2" 是下采样的输出 blob，它可以用作 x2 上采样层的参考。

知道了。非常感谢您提供如此准确和快速的回​​复。 :)