计算机视觉之Focus层

由于博主最近在写论文，刚好用到了Focus层，特来总结

1. 深度学习有哪些下采样的方式？

• 池化操作，1.最大池化 2.平均池化
• 步长大于1的卷积
• 还有Focus层

总结一下：

最大池化是突出目标特征和边缘细节，而平均池化是平滑，更偏向于背景。但是但是但是！无论哪种池化操作，都是以牺牲部分信息作为代价，来缩小图片尺寸。卷积操作可以获得图像像素之间特征相关性，但是stride > 1会造成相邻像素点特征丢失。

2.下采样在NN中的作用？

  下采样在神经网络中主要是为了减少参数量达到降维的作用，同时还能增加局部感受野！
但是由于下采样会导致图像分辨率下降伴随着信息丢失，尤其是像素级分类分割任务中要经历下采样和上采样，如何保证信息缺失呢？------->空洞卷积！
计算空洞卷积的感受野大小公式：

size=(dilate_rate-1)  ×（kernel_size-1）+  kernel_size

3.PassThrough层

PassThrough层首次出现在YOLOv2中，将相邻的特征堆积在不同通道中，目的是将大尺寸特征图下采样后与小尺寸特征图进行融合，从而增加小目标检测精度。如下图所示：

感觉和Focus操作一模一样

4. Focus层

Focus层非常类似PassThrough层，同样采用切片操作把高分辨率图拆分成多个低分辨特征图，如下图所示：隔行采样+拼接

将 4 * 4 * 3的Tensor通过间隔采样拆分成4分，这样宽高减半 通道为原来的四倍，采用这种方式可以减少下采样带来的信息损失。