مشکل تئوری در اندازه خروجی برا تصویر 500*500

Question

دوستان کسی این مقاله رو خونده؟
Fully convolutional networks for semantic segmentation
مشکلم اینه که تو صفحه سوم مقاله(بخش 3.1) اشاره کرده که اگه تصویر 500*500 به alexnet بدیم خروجی 10*10 میده که نمیدونم چه جوری به 10 رسیده؟
در خط بعدش هم که گفته 5 برابر سریعتره نمیدونم چه جوری حساب کرده

Comments

سلام
نگفته به الکس نت بدیم خروجی 10 در 10 میده . اونجا اومده سرعت دوتا شبکه رو قیاس کرده . گفته الکس نت با یه ورودی با اندازه 227 در 227  1.2 میلی ثانیه طول میکشه تا محاسبه اش رو انجام بده (دسته بندیش کنه) . در حالی که معماری FCN با یه ورودی 500 در 500 فقط 22 میلی ثانیه طول میکشه که کارش رو انجام بده (اینجا تولید یه توده 10 در 10 ) و  5 بار نسبت به شیوه ساده سریعتره . پایین تو پاورقی توضیح داده دسته بندی یک تصویر خودش 5.4 میلی ثانیه طول میکشه که 25 بار کندتر از ورژن فولی کانولوشنال هست.

---

خوب سوال اینه که که چطور FCN با ورودی 500*500 خورجی 10*10 درست میکنه!!؟

---

سلام در FCN لایه های تماما متصل با لایه کانولوشن تعویض شدن در نتیجه با ورودی 500 در 500 شبکه فیچرمپ ها رو بر اساس اندازه کرنل مشخص شده و استراید و پولینگی که تا به اون لحظه در شبکه لحاظ شده تولید میکنه. اندازه های کمتر یا بیشتر بدید تا متوجه تغییر در اندازه توده ها بشید.