我想使用TensorFlow ObjectDetection API在 COCO 数据集上训练一个自定义 SSDLite- MobileNetV2对象检测器。我想要更高的输入分辨率，而不是（300,300）的固定输入分辨率，例如VGA（640,480）或（544,544）。由于该架构是完全卷积的，因此可以具有不同的输入分辨率。但是，我想通过以下方式稍微更改 SSD 架构：
使用 300x300 的原始输入分辨率，在第一个 3x3 卷积和 5 个反向瓶颈之后，我们有一个 19x19x96 的特征图，在另外两个瓶颈之后 - 10x10x320，然后是 1x1 - 10x10x1280，然后通过使用 3x3 深度可分离卷积变为5x5x512、3x3x256、2x2x256 和 1x1x128。然后在 19x19 - 19x19x576 的扩展版本、10x10x1280 以及所有其他分辨率较低的特征图（5x5、3x3、2x2、1x1）上进行预测 - 总共 6 个。
如果我的输入分辨率为 554x554，则如下所示：在 3x3 转换和 5 个反向瓶颈之后，它是 34x34x96，在另外两个之后 - 17x17x320，但是为了达到 1x1 分辨率，我需要一个额外的层：9x9、5x5、 3x3、2x2，然后是 1x1。
我想修改架构的方法是跳过 2x2 分辨率，并通过未填充的 3x3 深度可分离卷积从 3x3 直接获得 1x1。我的问题是这是否可以在不修改大量代码的情况下使用 TensorFlow ObjectDetection API，例如通过更改配置文件或轻微修改代码。
编辑：添加了 Python 标签。
EDIT2 - 尝试使问题更清楚：在当前具有当前填充的架构中，为了从 3x3 的特征图传递到 1x1，我需要通过 2x2 的特征图（3x3 转换，步幅 = 2，填充）。我想知道是否可以更改配置以使用单个 3x3 转换直接从 3x3 到 1x1 特征图，如果没有 - 如何编辑/制作替代 ssd_mobilenet_v2_feature_extractor （或其他代码）以实现那。