Một số vấn đề về mạng CNN

[henryle97]

Em xin phép hỏi a một số vấn đề về mặt lý thuyết ạ.

• Mạng VGG-19 a sử dụng có đầu ra trước khi flatten là 1xCx2x32 tương ứng BxCxHxW1 (với ảnh đầu vào 128x32). Khác với mã code của paper CRNN-CTC gốc là 1xCx1x33 ~ 33 timesteps. Ý tưởng paper CRNN-CTC là mỗi timesteps sẽ tương ứng với một vùng chữ nhật widthx32 trên ảnh gốc, còn đầu ra của anh thì chiều height featuremap không bằng 1 nên anh đã flatten để được 1xCx64 ~ 64 timesteps. Theo em thấy thì mỗi timestep trong 64 timestep kia chỉ biểu diễn được widthx16 trên ảnh gốc. Vậy tại sao anh lại thay đổi như vậy ?
• Vấn đề thứ hai là anh nghĩ sử dụng AvgPool2D thay vì Maxpool2D sẽ có lợi gì không ạ. Em cảm ơn anh.

[pbcquoc]

Hi e,

• Nếu 32 pixel width tương ứng với 1 timestep thì nhiều khả năng những chữ nhỏ hơn 32 pixel sẽ có khả năng không nhận dạng được, như dấu chấm, phẩy.
• Còn height a không để bằng 1 vì a thấy thông tin theo chiều height giữ lại được chiều hơn khi đưa vào mô hình rnn ở bước kế tiếp, các chữ có dấu như â, ô.
• Còn về AvgPool vs Maxpool, a nghĩ rằng e nên thử nghiệm để bik kết quả ak.

[henryle97]

Vâng ạ, em cảm ơn anh

[henryle97]

Vậy theo anh, có sự khác biệt giữa flatten feature map từ 3D thành 2D: Fx(HxW) (cách của anh) và (FxH)xW (cách của một số paper) không ạ. Ở đây chiều H = 2

[pbcquoc]

hi e, theo a biết thì CRNN flatten theo w và h, a không nghĩ là lại flatten theo fxh là hợp lý lắm.

[henryle97]

vâng, e cảm ơn a đã phản hồi ạ