使用ResNet50提取[w,h,f]维度特征存疑，求技术解答

你对ResNet50的使用方式存在认知偏差，而非理解有误。

默认调用的ResNet50（比如PyTorch、TensorFlow中的预训练版本）会在网络末尾添加全局平均池化层和全连接层，最终输出的是整幅图像的全局特征，维度为[f]。但论文中需要的是保留空间维度的卷积特征图，也就是逐像素的特征表示，对应维度[w, h, f]。

论文原文翻译： #

我们得到一个尺寸为f的中间视觉特征表示Fc。我们使用ResNet50[26]作为骨干卷积架构。
在第一步中，三维特征Fc通过保留其宽度被重塑为二维特征，即得到特征形状(f×h, w)。

解决方法： #

• 移除ResNet50的最后几层（全局平均池化、全连接层），提取中间卷积层的输出。比如在PyTorch中可以这样实现：

  import torchvision.models as models
  import torch.nn as nn
  
  # 加载预训练ResNet50
  resnet = models.resnet50(pretrained=True)
  # 移除最后两层（全局池化和全连接），得到特征提取器
  feature_extractor = nn.Sequential(*list(resnet.children())[:-2])
  

  此时输出的特征图维度为[batch_size, f, h, w]（不同框架维度顺序可能有差异，比如TensorFlow会是[batch_size, h, w, f]），调整维度顺序后就能匹配论文中的[w, h, f]。
• 论文中提到的“三维特征Fc”正是这种带空间维度的特征图，后续的reshape操作也基于这个空间结构展开，和你之前得到的全局特征完全是两种不同的输出形式。

内容的提问来源于stack exchange，提问作者user358829