Deep learning 在最终池层之后，如何在vgg网络中找到原始图像中激活对应的补丁
因此，我正在研究NeurIPS 2019再现性挑战，这篇论文的链接是。所以基本上我们有一个vgg-16网络，去掉了最后的完全连接层，所以我们得到了7x7x512维的激活图，现在本文介绍了一个新的原型层，在这个原型层中，我们使用L2范数将这些7x7激活图与1x512维的原型进行比较，在考虑了所有输入图像后，只要原型具有最大的相似性，我们就将原型等同于激活图中的1x512补丁 现在一切都很好，但本文进一步希望在原始图像中找到对应于1x1面片的面片，因此我们可以说原型在某种程度上是原始图像中的面片 现在我发现224x224到7x7的转换可以由212x212内核以32步的速度有效地完成（使用有效的本地接收区）（不是我的，是从某处复制的图像） 好的，现在如果我得到一个1x1激活，我需要找到原始图像的补丁…这很容易…但问题是，在VGG网络中，我们多次应用零填充1，因此有效地，我们在原始图像中得到了90的填充（使用输入大小224，内核大小212和步幅32计算），假设我得到左上角的1x1激活，作为我想要找到补丁的激活，那么由于原始图像中的有效填充，它会有很多部分=0，这样可以吗 很抱歉问了这么长的问题，但这是一个概念性的问题，需要深入的解释Deep learning 在最终池层之后，如何在vgg网络中找到原始图像中激活对应的补丁,deep-learning,conv-neural-network,vgg-net,Deep Learning,Conv Neural Network,Vgg Net,因此，我正在研究NeurIPS 2019再现性挑战，这篇论文的链接是。所以基本上我们有一个vgg-16网络，去掉了最后的完全连接层，所以我们得到了7x7x512维的激活图，现在本文介绍了一个新的原型层，在这个原型层中，我们使用L2范数将这些7x7激活图与1x512维的原型进行比较，在考虑了所有输入图像后，只要原型具有最大的相似性，我们就将原型等同于激活图中的1x512补丁 现在一切都很好，但本文进一步希望在原始图像中找到对应于1x1面片的面片，因此我们可以说原型在某种程度上是原始图像中的面片 现