为什么我们可以在训练后更改暗网 YOLO 的输入图像大小？
Why we can change input image size of darknet YOLO after training?
Darknet yolo配置文件是这样的：
[net]
batch=64
subdivisions=8
height=416
width=416
channels=3
...
但是我们可以在不训练模型的情况下更改高度和宽度，并在更大的图像尺寸下获得更好的结果（当然推理需要时间更长）。我有点困惑。当我们改变图像大小时，权重会发生什么变化？例如，如果第一层有 N 个输入，第二层有 M 个神经元，那么如果网络是全连接的，我们应该有 (N*M + 1) 个权重。
那么问题来了：如何在不改变权重的情况下改变N（宽度和高度）？
我对这个话题也比较陌生，但我认为只有 Yolov1 使用全连接层。看看例如的架构。 Yolov2。没有 FC 层，只有卷积层。这可能是答案？
Darknet yolo配置文件是这样的：
[net]
batch=64
subdivisions=8
height=416
width=416
channels=3
...
但是我们可以在不训练模型的情况下更改高度和宽度，并在更大的图像尺寸下获得更好的结果（当然推理需要时间更长）。我有点困惑。当我们改变图像大小时，权重会发生什么变化？例如，如果第一层有 N 个输入，第二层有 M 个神经元，那么如果网络是全连接的，我们应该有 (N*M + 1) 个权重。 那么问题来了：如何在不改变权重的情况下改变N（宽度和高度）？
我对这个话题也比较陌生，但我认为只有 Yolov1 使用全连接层。看看例如的架构。 Yolov2。没有 FC 层，只有卷积层。这可能是答案？