Deep Learning Pooling, Strideについて

Question

4×4のサイズの画像にPooling 2×2を行います。以下の問いに答えてください。
(1) ストライド幅を1とした時の出力される画像サイズを求めてください。
(2) ストライド幅を2とした時の出力される画像サイズを求めてください。

という問いを解答しないといけないのですが、どのように算出して良いかわかりません。

(1)の正解としては、3x3
(2)の正解としては、2x2

となってるのですが、なぜこれが正解なのか、どう算出できるのか分かりません。

ご教示いただけたら幸いです。
よろしくお願いします。

Answer 1

入力を (h, w)、カーネルサイズを k、ストライドを s としたとき、出力 (H, W) は

W = floor((w - k) / s + 1)
H = floor((h - k) / s + 1)

で計算できるので、これに当てはめると

ストライド1だと、H = W = floor((4 - 2) / 1 + 1) = 3
ストライド2だと、H = W = floor((4 - 2) / 2 + 1) = 2

Pytorch のドキュメントに計算式が書いてあります。

Built-in Types — Python 3.9.1 documentation

紙に 4x4 のマス目を書いて、そこに 2x2 のマスを1個ずつずらした場合、2個ずつずらした場合に出力がどうなるか考えると、上記答えになる理由がわかります。以下にアニメーションがあります。

vdumoulin/conv_arithmetic: A technical report on convolution arithmetic in the context of deep learning

Comments

[Boosta-Ken]

親切丁寧なご回答を頂きまして誠にありがとうございます。
非常にわかりやすく理解できました。
ありがとうございます。