关于

[wuhuikai]

关于

[wuhuikai]

需要同时增加pooling/stride conv

[BlossomingL]

不好意思，我不是太明白。。。

[BlossomingL]

因为我的原本网络的dilated conv层前后分别有stride conv和deconv层，您的意思是将哪里的去除。

[wuhuikai]

在分割中，最后两个阶段的操作是去除降采样同时加大dilation，这样可以保证最后得到的feature map是输入图像的1/8。在我们的方法中，最后两个阶段的dilation是1，降采样操作也没有去除，最后得到的feature map是输入图像的1/32，然后经过我们的JPU变为输入图像的1/8.

[wuhuikai]

在本身就有stride conv的情况下，是不需要使用我们的方法的

[2qwerty]

我们的网络，前面使用了类似论文中提出的5层(conv)encoder结构，使用您提出的JPU 替换膨胀卷积层 连接encoder部分，但是速度并没有提升?

[BlossomingL]

不好意思，我还有个问题就是代码里面SeparableConv2d(3*width, width, kernel_size=3, padding=1, dilation=1, bias=False)，这里经过了一次dilated conv,论文里面用了四次，那速度不跟原始的有dilated conv的一样（甚至速度会有下降）？

[wuhuikai]

@2qwerty Backbone是用的哪一个网络？Backbone的output stride是多少？

[wuhuikai]

@Linxxxx JPU能加速的原理是Backbone的output stride从8升到32。其主要作用是把1/32的feature map重新变回1/8，同时取得相近或更好的性能。

[BlossomingL]

代码中的feat1 = F.upsample(self.conv1(self.pool1(x)), (h, w), **self._up_kwargs)，F.upsample在tensorflow中能用简单的tf.image.resize_images()达到一样效果吗？感谢回答！

[wuhuikai]

F.upsample用于双线性插值上采样，等价于tf.image.resize_images.

[lifeiwen]

请问你是怎么开始训练的？用的什么指令