卷积后的最大池化层

Posted 2023-03-16

【中文标题】卷积后的最大池化层

【英文标题】：Max Pooling layer after convolution

【发布时间】：2022-01-05 07:02:38

【问题描述】：

据我了解，maxpool 层适用于卷积 2d 层，并将层的尺寸减少一半，但该模型的架构以不同的方式显示它。 谁能告诉我它是如何只减少了一个小尺寸而不是预期的一半？我的意思是如果应用了maxpooling层，尺寸不应该是16x16x32吗？为什么是 32x31x30？如果有可能自定义输出形状，我想知道原因。

【问题讨论】：

请引用论文。并链接到它。并询问作者。他们最了解。

由于一些个人原因，我实际上不能，但感谢您的评论，谢谢

好吧，我最后一条链接到论文的评论被标记并删除了 (...)，但是 任何人 可以搜索图像中的文本并到达 researchgate.net/figure/…这是处理这个问题的相关信息。因为它被删除了，我不会重复它的实际建议部分。

@ChristophRackwitz 请给我您的联系电子邮件 ID，以便我们通过邮件讨论这个问题

【参考方案1】：

这显然是一个错字。正如linked paper (thanks Christoph) 中所述，他们在最大池化层中提到了以下内容（重点是我的）：

第一个网络是 完全设计的神经网络（FD-NN）。模型的架构和层显示在表 1 中。一个 2D 使用具有 3×3 滤波器大小的卷积层，并将 Relu 分配为激活函数。 Maxpooling 的大小为 应用 2×2 以减少特征数量。

如果应用 2 x 2 窗口，则应将特征图从 32 x 32 x 32 减少到 16 x 16 x 32 是正确的。此外，该行中的过滤器数量是错误的。它也应该仍然是 32。这篇论文没有在任何会议或期刊上正式发表，并且仅作为 arXiv 上的预印本提供。这意味着该论文没有经过正式的错误审查或校对。

因此，如果您想弄清楚实际输出尺寸，我建议您从论文的原作者那里寻找。但是，此表中最大池化和 dropout 的输出维度完全不正确。

【讨论】：

其实已经发表在springer link.springer.com/article/10.1007/s42979-020-00306-9

该特定问题的影响因子较低。进一步证明了它没有得到适当的审查。很抱歉，您遇到了所有这些麻烦。