1樓：蠟筆小楚
我的理解是，比如你有乙個非常大的圖，假設是2048 * 2048的，然後直接放進網路，假設你的GPU不太行，那就跑不成，那麼把他拆成4張512 * 512的影象，然後分別進行分割，如果直接輸入那就又有問題了，512 * 512的小圖的邊緣，在原圖中可不一定是邊緣呀（下、右邊），而且還在原圖中間，細節往往很重要，在512 * 512中我們需要將這種邊緣保留，如果採用same卷積，邊緣進行0填充，那麼誤差就會很大，還不如我直接在邊緣將30畫素(計算出來的)對稱過來進行填充，形成572 * 572的大圖，然後在進行valid卷積，這樣的話，由於即使是對稱也包含了一些有用的資訊，最起碼比0有用，（而且1個512圖的邊緣，跟另乙個512的邊緣，是很相似的），那麼將來對單個圖進行完分割後合併的時候，可以實現所謂的「無縫」。我理解無縫的意思，就是我沒有用0，用的是自身的對稱。
2樓：張粉
個人理解
如果你仔細看了unet的結構，你會發現，因為每次卷積時候因為沒有padding，所以feature map會越卷越小。
可以看到最開始輸入的影象尺寸是（572,572），channel=1的灰度影象， 經過第一波卷積二連，尺寸已經變成（568,568），channel=64的feature map了。
經過一頓瘋狂的不帶padding的卷積操作，最後的輸出已經（388,388）了，channel=2，兩個channel分別為foreground和background的mask，及白色的細胞區域和黑色的背景區域，也就是完成了segmentation。
顯然，如果生生把原始影象喂進來，最後輸出的結果，會比原始影象小好多。
我們希望輸入跟輸出尺寸一樣，
即不能強行scale up最後的輸出，
又不想給每層卷積加padding（我的理解，連續對feature map加padding卷積，會使得padding進來的feature誤差越來越大，因為越卷積，feature的抽象程度越高，就更容易受到padding的影響）
於是就簡單粗暴的在最開始直接通過padding擴大輸入影象，使得最後輸出的結果正好是原始影象的尺寸。在這篇文章中，用的mirror padding， 視場景可以使用別的padding方法
比如在這裡做牙齒影象的segmentation，使用到了zero padding，即擴大的尺寸全用0（黑色）來填充。
以上個人理解，如有不足懇請指出。
如何理解few shot learning中的n way k shot？
以分類問題為例 few shot問題的定義是對於某乙個資料集，訓練集中每乙個類別的樣本數量都很少，比如一共有10個類，每個類別只有5個樣本。那麼如何訓練乙個神經網路來對這個資料集進行分類呢？乙個直接的做法就是，就像常規的分類模型一樣，用這50個樣本進行訓練 10個類別，每個類別5個樣本 那麼這麼做會...
如何理解 MylifeOrganized中Goal屬性？
Goal只是軟體提供了乙個選項，並沒有要求使用者一定要使用，如果你覺得沒什麼用，那麼不必用它。對我來說，我用goal作為乙個清單的過濾器，根據GTD的原則，你可以根據自己需要，制定多個清單，我因工作緣故，制定了乙個 本週代辦 的清單，這個清單中的乙個過濾器，就是利用了Goal 說句題外話，對於沒接觸...
如何理解Flask中的藍本？
Jaraxuss 個人理解 你的筆記本上有很多介面 USB 電源介面 SD卡槽 耳機孔 HDMI 可插拔檢視 等等 隔壁老王的電腦，就一type C口 藍圖介面 其他的介面只能通過type C的擴充套件塢 在藍圖中新增url規則 再接到電腦上 註冊藍圖 老王下班，直接拔了那一根type C走人 取消...