我试图在PyTorch Fast Dense Feature Extractor中实现这篇论文，但我无法将他们提供的Torch实现示例转换为PyTorch。
到目前为止，我的尝试存在的问题是，当向特征图添加附加维度时，卷积权重与特征形状不匹配。如何在Torch中管理（从他们的实现来看，似乎Torch不关心这个，但PyTorch确实如此）。我的代码：https://gist.github.com/system123/c4b8ef3824f2230f181f8cfba84f0cfd
解决这个问题的任何其他解决方案都会很棒。基本上，我有一个功能提取器，将128x128补丁转换为嵌入，我想以密集的方式将其应用于较大的图像，而不使用for循环来评估每个位置上的CNN，因为它有很多重复计算。
这是你的幸运日，因为我最近上传了一篇Pytorch和TF实现的论文“快速密集特征提取与CNNs与池层”。
一种计算基于补丁的局部特征描述符的方法，可以同时存在整个图像的池和跨越层。
见https://github.com/erezposner/Fast_Dense_Feature_Extraction
它包含简单的说明，解释如何使用快速密集特征提取（FDFE）项目。
祝好运