如何将一个神经网络当卷积核来用

可以使用多个小的卷积核，来代替一个大卷积核，而且更加偏向于多个小卷积组成一个网络，来代替一个大卷积核。

如处理一个5*5的图片，我们可以直接用一层5*5的卷积核来处理一次得到1*1的特征图，也可以用多层网络（小卷积）来代，用两层3*3来替代，在不考虑网络深度造成的像素融合的情况下，两者提取的特征一致。

 

我们如何用一个神经网络，当做一个卷积核，去卷任意大小的图片。

1. 只需要做一个卷积网络当做一个卷积核，固定输入固定输出就可以。 输出是1*1的网络就可以

2. 当我们拿多层网络充当一个大卷积核时，这个大卷积的步长等于网络内的每层小卷积步长乘起来

 

对于一个商业项目，如何让网络的输入实现通用化（输入任何大小都能接收）

1. resize 。 缺点明显，如果原图要监察的物体本来就很小，如果图片在缩放，那物体就可能消失检测找不到了

2. 全卷积网络。 因为，卷积输出跟输入的大小（h,w）无关系，只跟channel有关系（一般项目，可以输入图片前先把channel recover 成3通道）。  需要考虑，如何用卷积来实现特征的融合，  之前用过全连接实现融合， NV,  那么，我们可以让NCHW 编程成N C 1 1，这样就实现了特征融合。 最后，通道C就代表了V

特征图的索引是按照（w,h）计算，

特诊图到原图的反算: 特征图左上角的坐标等于特征图 索引*步长，

右下角的坐标，等于 索引*步长+卷积核大小