阅读YOLOv1 论文，提到 [1] 网络的第一部分，即那些卷积层，首先在 ImageNet 数据集上以 224x224 的输入分辨率进行训练。之后，转换模型进行检测，其中输入分辨率从 224x224 增加到 448x448。我想知道这个转换怎么做：如果网络的输入一开始是224x224，那么参数个数应该和448x448不同，这意味着在ImageNet数据集上训练的卷积层不能重复用于检测.
我在这里想念什么？
[1]：在“2.2培训”部分的末尾
问问题
513 次
1 回答
1
如果网络的输入一开始是224x224，那么参数个数应该和448x448不同
这是你的误解。
卷积运算对输入的大小没有限制，因此对输出的大小也没有限制。当您训练一个末端具有完全连接层的 CNN 进行分类时，您将输入限制为固定大小，因为 FC 层可以接受的输入数量是固定的。
但是，如果你从网络中移除分类头并且只使用 CNN 的训练权重作为特征提取器，你会注意到给定任何维度的输入（>= 网络已经训练的维度），输出将是一组特征图，其空间范围随着输入空间范围的增加而增加。
因此，在 YOLO 中，网络最初被训练以执行分辨率为 224x224 的分类。通过这种方式，卷积操作的权重 + 最后的 FC 层的权重学会了提取和分类有意义的特征。
在第一次训练之后，FC 层被丢弃，只保留特征提取部分。通过这种方式，您可以使用一个好的特征提取器，它已经学会以卷积方式提取有意义的特征（ei，产生的不是特征向量而是特征图作为输出，可以像 YOLO 那样进行后处理）
于 2018-04-29T08:47:16.510 回答