FCN 头如何与 RetinaNet 的 FPN 特征进行卷积？
How are the FCN heads convolved over RetinaNet's FPN features?
我最近阅读了 RetinaNet 论文，但我还没有理解一个小细节：
我们有从 FPN (P2,...P7) 获得的多尺度特征图。
然后两个 FCN 头（分类器头和回归器头）正在对每个特征图进行卷积。
然而，每个特征图都有不同的空间尺度，那么，分类器头和回归器头如何保持固定的输出量，因为它们的所有卷积参数都是固定的？ （即步幅为 1 的 3x3 过滤器等）。
查看 RetinaNet PyTorch's implementation 的这一行，我看到头部只是对每个特征进行卷积，然后所有特征都以某种方式堆叠（它们之间唯一的共同维度是通道维度，即 256，但在空间上他们是彼此的两倍）。
很想知道它们是如何组合的，我无法理解这一点。
在每个金字塔步骤的卷积之后，您将输出重塑为 (H*W, out_dim) 形状（对于 class 头部 out_dim 为 num_classes * num_anchors 并且 4 * num_anchors 用于 bbox 回归量）。
最后，您可以沿 H*W 维度连接生成的张量，这现在是可能的，因为所有其他维度都匹配，并像在具有单个特征层的网络上一样计算损失。
我最近阅读了 RetinaNet 论文，但我还没有理解一个小细节：
我们有从 FPN (P2,...P7) 获得的多尺度特征图。
然后两个 FCN 头（分类器头和回归器头）正在对每个特征图进行卷积。
然而，每个特征图都有不同的空间尺度，那么，分类器头和回归器头如何保持固定的输出量，因为它们的所有卷积参数都是固定的？ （即步幅为 1 的 3x3 过滤器等）。
查看 RetinaNet PyTorch's implementation 的这一行，我看到头部只是对每个特征进行卷积，然后所有特征都以某种方式堆叠（它们之间唯一的共同维度是通道维度，即 256，但在空间上他们是彼此的两倍）。
很想知道它们是如何组合的，我无法理解这一点。
在每个金字塔步骤的卷积之后，您将输出重塑为 (H*W, out_dim) 形状（对于 class 头部 out_dim 为 num_classes * num_anchors 并且 4 * num_anchors 用于 bbox 回归量）。
最后，您可以沿 H*W 维度连接生成的张量，这现在是可能的，因为所有其他维度都匹配，并像在具有单个特征层的网络上一样计算损失。