为什么在 inception 网络中内核大小变大而特征图的空间大小变小？

Question

在 inception-v3 和 inception-v4 这样的 inception 网络中，内核大小在较低层较小，例如 3*3，但在较高层中，内核大小似乎更大，例如 5* 5,7*7，虽然后面可能会分解成n*1&1*n。但是随着网络越深入，特征图的空间大小越小，这两者有什么关系吗？

ps：我的问题是为什么较低层中的内核大小似乎更小（不超过 3*3），而您可以在较高层中找到更大的内核大小，例如 7*7（更准确地说，在中间层).feature map的空间大小和conv kernels的空间大小有什么关系吗？以inception v3为例，前几层feature map的空间大小大于35网络中，最大的kernel size是5*5，但是当空间大小变成17时，就会使用7*7这样的kernel size。

任何帮助将不胜感激。

Answer 1

通常当你深入网络时：-

1. 特征图的空间大小减小以定位对象和 以降低计算成本。
2. 过滤器/内核的数量 增加，因为通常初始层代表通用特征， 而更深的层代表更详细的特征。自从 初始层只学习数据中的原始规律，你做 不需要在那里有大量的过滤器。然而，当你走 深入，您应该尝试尽可能多地研究细节，因此 增加过滤器/内核的数量。因此增加 更深层的过滤器数量增加了代表性 网络的力量。

在 inception 模块中，在每一层，多个大小（1x1、3x3、5x5）的内核用于计算，并将生成的特征图连接起来并传递给下一层。