deep-learning - 用于 keras 中可变大小图像的全卷积自动编码器

Question

我想构建一个卷积自动编码器，其中输入的大小不是恒定的。我这样做是通过堆叠 conv-pool 层直到我到达编码层，然后用 upsample-conv 层做相反的事情。问题是无论我使用什么设置，我都无法在输出层中获得与输入层完全相同的大小。原因是 UpSampling 层（假设为 (2,2) 大小）将输入的大小加倍，因此我无法获得奇数维度。有没有办法将给定层的输出维度与单个样本的前一层的输入维度联系起来（正如我所说，变量中最大池层的输入大小）？

Answer 1

就在这里。

您可以使用三种方法

• 填充
• 调整大小
• 裁剪或填充

填充只会增加尺寸。不利于减小尺寸。

调整大小应该更昂贵，但对于每种情况（上采样或下采样）都是最佳解决方案。它将保留范围内的所有值，并将简单地重新采样它们以在给定维度中调整大小。

Crop 或 Pad 将起到调整大小的作用，并且计算效率更高，因为此方法中没有插值。但是，如果要将其调整为较小的尺寸，它将从边缘裁剪。

通过使用这 3 个，您可以安排图层的尺寸。