python自定义函数实例 lite_如何在TensorFlow ObjectDetection API中使用自定义输入分辨率设置特定的SSD（lite）预测架构...

我想用TensorFlow ObjectDetection API在COCO数据集上训练一个自定义SSDLite-MobileNetV2对象检测器。我希望有更高的输入分辨率，而不是固定的(300300)输入分辨率，例如VGA(640480)或(544544)。

因为架构是完全卷积的，所以有可能有不同的输入分辨率。

不过，我想通过以下方式稍微改变一下SSD架构：

使用原始输入分辨率300x300，在第一个3x3 conv和5个反向瓶颈之后，我们有一个19x19x96的特征图，在另外两个瓶颈之后是10x10x320，然后是1x1-10x10280，然后使用3x3深度方向的可分离卷积变成5x5x512、3x3x256、2x2x256和1x1x1x128。

然后在扩展版本的19x19-19x19x576、10x1028和所有其他分辨率较低(5x5、3x3、2x2、1x1)的特征地图上进行预测。在

如果输入分辨率为554x554，则如下所示：

在3x3 conv和5个反向瓶颈之后，它是34x34x96，在另外两个17x17x320之后，但是为了达到1x1分辨率，我需要一个额外的层：

9x9、5x5、3x3、2x2，然后是1x1。在

我想修改架构的方法是跳过2x2分辨率，通过一个未添加的3x3深度方向的可分离卷积从3x3直接到1x1。我的问题是，使用TensorFlow ObjectDetection API时，是否可以不进行大量代码修改，例如通过更改configuration file或稍微修改代码。在

编辑：添加了Python标记。在

编辑2-尽量把问题弄清楚：

在当前具有当前填充的架构中，为了从3x3到1x1的特征映射，我需要通过2x2的特征映射(3x3 conv，stride=2，padded)。我想知道是否有可能改变配置，以实现直接从3x3到1x1功能图与一个3x3转换，如果不能-如何编辑/制作替代ssd_mobilenet v2_feature_提取器(或其他代码)来实现这一点。在