Tensorflow 合并两个具有不同形状的层以复制SiamRPN

我试图用Keras复制这篇论文。 架构如下所示。

在我的代码中给出这个

Template\u input\u shape=（127,127,3）
检测\输入\形状=（255，255，3）
//输入
输入\模板=tf.keras.input（形状=模板\输入\形状）
输入\检测=tf.keras.input（形状=检测\输入\形状）
//用alexNet模型制作
已处理的模板=alexNet（输入模板）/（6,6,256）输出
已处理的检测=alexNet（输入检测）/（22,22,256）输出
//亚历克斯内特代表我的模特。
//在（如果我理解的很清楚的话）输出被分配到分类模型和回归模型之后
def分类分支（输入a、输入b、锚定=5、输出=256）：
cls_x=keras.layers.Conv2D（256，内核大小=3）（输入输出）
cls_z=keras.layers.Conv2D（输出，内核大小=3）（输入输出）
cls=分类分支（已处理的模板、已处理的检测）
rgr=回归分支（已处理的模板，已处理的检测）

是，

Keras.layers。串联要求传递给它的两个卷积层具有相同的形状

在这种情况下，可以使用
上采样层

例如，假设
cls_x
的形状是
（无，80，128，8）
，
cls_z
的形状是
（无，40，64，8）
，您可以使用

p1 = keras.layers.UpSampling2D(size = (2, 2))(c2)

在这一步之前

Keras.layers.concatenate（[cls\ux，cls\uz]）

这将使
cls_z
的形状乘以2，因此，cls_x和cls_z的形状将变得相等

注：根据我们的要求，我们也可以将（1.5，1.5）等十进制大小传递到
UpSampling2D