在 CNN 中使用图像时，尺寸意味着什么？

Question

请浏览下面的代码。图像尺寸为 (32, 256, 256, 6)。我认为没有必要知道 net 是什么以及它的作用。我的问题纯粹是分析性的。

      net = slim.conv2d(input_images, 64, [5, 5], stride=1, scope='conv1') 
      net = slim.max_pool2d(net, [2, 2], scope='pool1') # image size is (batch_size, 256 , 256 , 6)

      net = slim.conv2d(net, 128, [5, 5], stride=1, scope='conv2')
      net = slim.max_pool2d(net, [2, 2], scope='pool2')

      net = slim.conv2d(net, 256, [3, 3], stride=1, scope='conv3')
      net = slim.max_pool2d(net, [2, 2], scope='pool3')

      net = tf.image.resize_bilinear(net, [64,64])
      net = slim.conv2d(net, 256, [3, 3], stride=1, scope='conv4')
      
      net = tf.image.resize_bilinear(net, [128,128])
      net = slim.conv2d(net, 128, [3, 3], stride=1, scope='conv5')

      net = tf.image.resize_bilinear(net, [256,256]) #(32 , 256 , 256 , 3)

      
      net = slim.conv2d(net, 64, [5, 5], stride=1, scope='conv6')

net = slim.conv2d(net, 3, [5, 5], stride=1, activation_fn=tf.tanh,
normalizer_fn=None, scope='conv7') #  32*248*248*3

据我说，net 的维度是 (32, 248, 248, 3)。但显然根据论文应该是 (32, 256, 256, 3)。

问题1) 我哪里出错了？

Ques2) 在 slim.conv2d 中，64 和 [5,5] 到底是什么？我认为它们是过滤器的数量，而 5*5 是内核的维度。但是由于我得到错误的尺寸，我在这里也错了吗？

问题3) 你说的(32,256,256,3)是不是说有32个样本，256*256是像素强度，3是通道数？

问题4）我知道这可能很难回答，但有人可以告诉我首先减小尺寸然后再次增加尺寸的需要是什么？非常感谢该概念的链接。

Answer 1

1. 我认为您使用 [32, 248, 248, 3] 而不是您想要的 [32, 256, 256, 3] 的原因是因为填充。简而言之，当您进行卷积时，卷积窗口（又名内核）不一定与图像完美匹配，因此图像在外部填充了零以使其适合。根据您的代码，未指定填充，因此请尝试将 padding='same' 添加到您的 conv2d 图层中。

2. 关于 64 和 [5, 5] 的含义，您在这里是正确的。过滤器的数量在这里没有影响。如果我在 (1) 中的回答是正确的，那么内核与您所遇到的维度差距有关，但不是原因。但是，理想情况下，您应该能够将其设置为 3、5 或其他任何值，而不会出现问题。参考（1）。

3. 32 对应于样本，如您所说。换句话说，它是批量大小。图像大小本身为 256 x 256 像素（高度和宽度）。 3 个通道对应于每个像素的红色、蓝色和绿色强度。如果图像是灰度图像，则只有 1 个通道。在 Tensorflow 中，约定是 (N,H,W,C)，表示样本数、高度、宽度、通道数。请注意，输入和输出的通道通常为 3，但它会根据您使用的过滤器数量在隐藏层中发生变化。

4. 减少然后增加图像的高度和宽度对于某些任务（例如图像分割）有好处，在这些任务中，您可以减少图像中的信息。我们称网络的前半部分为编码阶段，后半部分为解码阶段。我认为它通过缩小图像尺寸来消除前半部分不必要的信息，然后在后半部分将其恢复为原始大小。这只是我的解释。执行此操作的著名模型称为 U-net。 https://arxiv.org/abs/1505.04597