小编cap*_*nst的帖子

看了几篇帖子/文章，对CNN下采样后的上采样机制有些疑惑。

我从这个问题中得到了第一个答案：https : //www.quora.com/How-do-fully-convolutional-networks-upsample-their-coarse-output

据我所知，类似于普通的卷积操作，“上采样”也使用需要训练的内核。

问题1：如果在CNN的第一阶段已经丢失了“空间信息”，那无论如何如何重新构建？

问题2：为什么>“从网络深处的小（粗）特征图上采样具有良好的语义信息但分辨率较差。从更接近输入的较大特征图上采样，会产生更好的细节但会产生更差的语义信息”？

我从 VOC2012 数据集中获取了以下 png 文件。

我使用了以下简单代码：

import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
%matplotlib inline

img = Image.open(filename) # filename is the png file in question
img.show()
arr = np.array(img)
plt.imshow(arr, cmap='gray')

它产生了以下图像：

这很奇怪，因为结果不是原始图像的灰度图像。上面的代码也用于 deeplab tensorflow 数据集，以去除真实图像中的颜色图。

有谁知道为什么？非常感谢！

使用 opencv 加载图像、转换为灰度并使用 matplotlib 绘图时，我看到了一个奇怪的现象：

from matplotlib import pyplot as plt
import argparse
import cv2

image = cv2.imread("images/image1.jpg")
image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
plt.imshow(image)

就这么简单。

但它给出了如下的“灰度”图：

哪里不对了 ？非常感谢！

我使用https://github.com/tensorflow/models/blob/master/research/object_detection/samples/configs/ssd_mobilenet_v1_pets.config 上的 ssd_mobilenet_v1_pets.config 配置按照 TF 对象检测 API 教程页面上的步骤进行操作

我能够使用自己的图像训练自定义检测器，这非常酷。然而，由于整个训练过程在我看来是一个“黑匣子”，我想知道如何配置要微调的层，就像如何使用 tensorflow 中的 Inception 模型配置要重新训练的层一样/凯拉斯。

我认为，如果我有 10000 张图像而不是 100 张图像，则要微调的图层可能（应该）不同。

在 WPF 中，当我加载包含大量元素的环绕面板时，窗口会在显示内容之前暂停一段时间。我想添加一个等待提示，但我找不到检测包装面板何时完成渲染的方法。

我尝试过“加载”、“大小改变”、“初始化”，但都没有成功。有没有人对这个问题有任何想法？

非常感谢 ！