【模型结构】backbone forward

 def forward(self, x):
        size = x.size(-2) // self.reduction, x.size(-1) // self.reduction
        x = self.backbone.conv1(x)
        x = self.backbone.bn1(x)
        x = self.backbone.relu(x)
        x = self.backbone.maxpool(x)

        x = self.backbone.layer1(x)
        x = layer2 = self.backbone.layer2(x)
        x = layer3 = self.backbone.layer3(x)
        x = layer4 = self.backbone.layer4(x)

        x = torch.cat([
            F.interpolate(f, size=size, mode='bilinear', align_corners=True)
            for f in [layer2, layer3, layer4]
        ], dim=1)

        return x

（1）layer2、layer3 和 layer4 可以被视为中间变量，但它们与 x 共享相同的数据，因此它们更像是 x 在网络中的不同阶段的别名

（2）上采样 & 下采样

上采样【空间维度放大】：

• 特征图放大：在卷积神经网络（CNN）中，为了将深层的特征图与浅层的特征图进行融合，需要将深层的特征图放大到与浅层特征图相同的尺寸。
• 图像分辨率增强：在图像超分辨率任务中，上采样用于将低分辨率的图像放大到更高的分辨率。
• 插值 通常 上采样

下采样【空间维度缩小】：

• 特征图降维：在CNN中，为了减少计算量和提取更抽象的特征，通常会在网络中使用池化层进行下采样。
• 图像分辨率降低：在某些图像处理任务中，可能需要将高分辨率的图像降低到更低的分辨率
• 池化一般与下采样

（3）

使用 F.interpolate 函数，并且指定了 mode='bilinear'，这通常用于上采样。这是因为 layer2、layer3 和 layer4 可能来自不同层级的卷积层，它们的尺寸可能不同。为了将它们沿着 dim=1 维度（通道维度）拼接起来，需要先将它们的大小调整到一致，这通常意味着将较小的特征图放大到较大的特征图的大小，因此是上采样

💡