为什么在初始网络中特征图的空间尺寸减小而内核尺寸变大？

Question

在诸如inception-v3和inception-v4之类的inception网络中，较低层（例如3 * 3）的内核大小较小，但是在较高层中，内核大小似乎较大，例如5 * 5,7 * 7，尽管以后可能将它们分解为n * 1＆1 * n。但是随着网络的深入，特征图的空间尺寸减小，这两者之间是否存在任何关系？

ps：我的问题是，为什么较低层的内核大小似乎比较小（不超过3 * 3），而较高层的内核大小却像7 * 7一样（更确切地说，在中间层）。特征图的空间大小和conv内核的空间空间大小之间是否存在任何关系？以inception v3为例，当特征图的空间大小在前几层中大于35时在网络中，最大的内核大小为5 * 5，但是当空间大小变为17时，将使用7 * 7之类的内核大小。

任何帮助将不胜感激。

Answer 1

通常，当您深​​入网络时：-

1. 减少要素图的空间大小以定位对象并 以减少计算成本。
2. 过滤器/内核的数量     通常会增加，因为初始层代表通用特征，     而更深的层代表更详细的功能。以来     初始层仅学习数据中的原始规律性，您可以     那里不需要大量的过滤器。但是随你去     深入，您应该尝试研究尽可能多的细节，因此     过滤器/内核数量的增加。因此增加了     更深层的过滤器数量增加了代表性     网络的力量。

在初始模块中，在每一层，都使用多个大小（1x1、3x3、5x5）的内核进行计算，并将生成的特征图进行级联并传递到下一层。