Python 如何减少VGG16中间层瓶颈特性的大小？

我正在尝试将vgg16网络的c0nv4_3层连接到更快的R-CNN的RPN网络，而不是conv5_3。是vgg16网络的python代码。我更改了这些行：

def _image_to_head(self, is_training, reuse=False):
    with tf.variable_scope(self._scope, self._scope, reuse=reuse):
      net = slim.repeat(self._image, 2, slim.conv2d, 64, [3, 3],
                          trainable=False, scope='conv1')
      net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool1')
      net = slim.repeat(net, 2, slim.conv2d, 128, [3, 3],
                        trainable=False, scope='conv2')
      net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool2')
      net = slim.repeat(net, 3, slim.conv2d, 256, [3, 3],
                        trainable=is_training, scope='conv3')
      net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool3')
      net = slim.repeat(net, 3, slim.conv2d, 512, [3, 3],
                        trainable=is_training, scope='conv4')
      net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool4')
      net = slim.repeat(net, 3, slim.conv2d, 512, [3, 3],
                        trainable=is_training, scope='conv5')

    self._act_summaries.append(net)
    self._layers['head'] = net

return net

致：

如上所示，我删除了conv5和pool4层；因为我的对象很小，我希望得到更好的结果，但结果变得更糟。我想我需要在conv4的末尾添加一个解卷层？还是有别的办法

---

谢谢

还有一些方法可以减少瓶颈功能的长度

为什么不添加deconv：

• 您将使用随机值初始化deconv层
• 你不是在微调网络，你只是在网络中向前传递
• 因此，deconv的输出将随机化您的conv4功能

池层：

• 平均池（基于窗口大小，它将返回该窗口的平均值）。所以，如果我们假设窗口（2,2）的值为[3,2,4,3]，那么结果只有一个值：6

• MaxPool（基于窗口大小，它将导致该窗口的最大值）。所以如果我们假设窗口（2,2）的值为[3,2,4,3]，那么它只会得到一个值：3

---

查看池层

您是否使用预先培训过的模型？是否要提取瓶颈特征？@PramodPatil是的，我尝试使用vgg网络作为预训练模型，但我希望从conv4_3获得输出（头层），而不是conv5_3，因此特征图的分辨率将更高。我还要在这里做什么吗？谢谢

def _image_to_head(self, is_training, reuse=False):
    with tf.variable_scope(self._scope, self._scope, reuse=reuse):
      net = slim.repeat(self._image, 2, slim.conv2d, 64, [3, 3],
                          trainable=False, scope='conv1')
      net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool1')
      net = slim.repeat(net, 2, slim.conv2d, 128, [3, 3],
                        trainable=False, scope='conv2')
      net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool2')
      net = slim.repeat(net, 3, slim.conv2d, 256, [3, 3],
                        trainable=is_training, scope='conv3')
      net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool3')
      net = slim.repeat(net, 3, slim.conv2d, 512, [3, 3],
                        trainable=is_training, scope='conv4')

    self._act_summaries.append(net)
    self._layers['head'] = net

return net