感谢你的分享，我对于平均池化的局部性有一些疑问。
您的工作应该是想要减小推理和训练的不一致性，当推理阶段图片大于训练的图片时，根据我对论文的理解，对于平均池化，会进行一个局部的池化，应该用卷积的方式完成。例如训练用6464的patch，推理用256256的图片，那么应该池化核应该为96（64*1.5），但是您开源的代码计算方法如下：
“”“
self.kernel_size[0] = x.shape[2]*self.base_size[0]//self.train_size[-2]
self.kernel_size[1] = x.shape[3]*self.base_size[1]//self.train_size[-1]
”“”
由于base_size是train_size的1.5倍，那么池化核不是永远都是输入特征图x的1.5倍吗，好像和local的思想不同。
也许是我理解有误，恳请指点一二，不胜感激
感谢你的分享，我对于平均池化的局部性有一些疑问。
您的工作应该是想要减小推理和训练的不一致性，当推理阶段图片大于训练的图片时，根据我对论文的理解，对于平均池化，会进行一个局部的池化，应该用卷积的方式完成。例如训练用6464的patch，推理用256256的图片，那么应该池化核应该为96（64*1.5），但是您开源的代码计算方法如下：
“”“
self.kernel_size[0] = x.shape[2]*self.base_size[0]//self.train_size[-2]
self.kernel_size[1] = x.shape[3]*self.base_size[1]//self.train_size[-1]
”“”
由于base_size是train_size的1.5倍，那么池化核不是永远都是输入特征图x的1.5倍吗，好像和local的思想不同。
也许是我理解有误，恳请指点一二，不胜感激