Что означает Conv4_x, Conv8_x в SSD

Сама по себе статья, возможно, не очень полезна для описания интересующей вас записи; однако соответствующий репозиторий кода добавляет немного больше информации:

Если мы посмотрим, например, ssd_pascal.py, то увидим, где создаются слои с таким именем (начиная со строки 23):

    out_layer = "conv6_1"
    ConvBNLayer(net, from_layer, out_layer, use_batchnorm, use_relu, 256, 1, 0, 1,
        lr_mult=lr_mult)

    from_layer = out_layer
    out_layer = "conv6_2"
    ConvBNLayer(net, from_layer, out_layer, use_batchnorm, use_relu, 512, 3, 1, 2,
        lr_mult=lr_mult)

Теперь нам также следует взглянуть на определение ConvBNLayer в model_libs.py (начиная со строки 30):

def ConvBNLayer(net, from_layer, out_layer, use_bn, use_relu, num_output,
    kernel_size, pad, stride, dilation=1, use_scale=True, lr_mult=1,
    conv_prefix='', conv_postfix='', bn_prefix='', bn_postfix='_bn',
    scale_prefix='', scale_postfix='_scale', bias_prefix='', bias_postfix='_bias',
    **bn_params):

Затем мы можем собрать эту информацию воедино и добавить немного догадок:

• Технически conv#_1 и conv#_2 (где # — это заполнитель для фактического номера слоя) всегда представляют собой два слоя сверточной сети, созданные вызовом ConvBNLayer, которые следуют друг за другом в сетевой архитектуре (таким образом, выход conv#_1 является входом conv#_2). Они различаются количеством выходных каналов (например, 256 против 512 выше), размером ядра (например, 1 против 3 выше), величиной заполнения (например, 0 против 1 выше) и шагом (например, 1 против 2 выше). выше).

• Логично, что авторам эти два слоя кажутся подслоями одного и того же сетевого уровня, отсюда и суффиксы _1 и _2. Итак, conv6_1 будет сверточным слоем 6, подслоем 1 и conv6_2 будет сверточным слоем 6, подслоем 2. Это становится ясно, если посмотреть на рисунок, например на иллюстрацию Conv8_2 и то, что написано под ним:

  • Проиллюстрировано то, что авторы считают выходными данными 8-го уровня своей сети: представление входного изображения в пространстве признаков 10x10x512.
  • «Conv: 1x1x256» означает, что сначала у нас есть подуровень (который должен называться Conv8_1) с размером ядра 1 и 256 выходными каналами, за которым следует…
  • «Conv: 3x3x512-s2», то есть подуровень (Conv8_2) с размером ядра 3, 512 выходными каналами и шагом 2.

Обратите внимание, что имена и номера слоев рисунка не совпадают с именами и номерами ssd_pascal.py (последний заканчивается после conv9_2, шаг которого отличается от Conv9_2 на рисунке), но схема должна быть такой же, если предположить, что авторы работали с определенной последовательностью.

Что касается вашего последнего вопроса: на странице описания SSD, где они пишут, например.

• Слои conv5_x, avgpool, fc и softmax были удалены из исходной модели классификации.
• Все шаги в conv4_x установлены на 1x1.

Я предполагаю, что «x» просто служит заполнителем для суффиксов _1, _2 и, следовательно, его следует читать следующим образом: conv5_1 и conv5_2 были удалены, все шаги в conv4_1 и conv4_2 установлены на 1x1.