machine-learning - YOLO中如何计算卷积层的输出大小？

Question

这就是 YOLO 的架构。我正在尝试自己计算每一层的输出大小，但我无法获得论文中描述的大小。

例如，在第一个 Conv 层中，输入大小为 448x448，但它使用步长为 2 的 7x7 滤波器，但根据此等式W2=(W1−F+2P)/S+1 = (448 - 7 + 0) /2 + 1，我无法得到整数结果，因此过滤器大小似乎不适合输入大小。

那么任何人都可以解释这个问题吗？我是否遗漏了什么或误解了 YOLO 架构？

Answer 1

好吧，我花了一些时间学习源码，了解到输入图像在图像的顶部、底部、左侧和右侧添加了额外的 3 个填充，因此图像大小变为(448+2x3)=454，有效填充的输出大小应按以下方式计算： Output_size=ceil((W-F+1)/S)=(454-7+1)/2=224，因此，输出大小应为224x224x64

我希望这会有所帮助

Answer 2

正如 Hawx Won 所说，输入图像已经添加了额外的 3 个填充，这是它从源代码中的工作原理。

对于卷积层，如果启用了 pad，则每个层的 padding 值将通过以下方式计算：

# In parser.c
if(pad) padding = size/2;

# In convolutional_layer.c
l.pad = padding;

size过滤器的形状在哪里。

所以，对于第一层：padding = size/2 = 7/2=3

那么第一个卷积层的输出应该是：

output_w = (input_w+2*pad-size)/stride+1 = (448+6-7)/2+1 = 224

output_h = (input_h+2*pad-size)/stride+1 = (448+6-7)/2+1 = 224