零填充的全卷积网络：

我有一个完全卷积网络，在卷积层中没有任何填充。这意味着，在每次卷积操作之后，输出特征图小于输入特征图。没有填充卷积层对我的应用程序至关重要，因为我希望具有严格的平移不变性。

以下是关于我的 CNN 的一些要点：

• 它仅由最大池和卷积层组成。
• 我的 CNN 的步幅是 8，它是通过将最大池和卷积层的步幅相乘来计算的。
• 如果我传递一个 255x255 的图像，我会得到一个 17x17x5 的输出图（4 个边界框值 + 置信度分数）。

与 YOLO 的比较：

YOLO 将输出网格简单地拟合在整个图像上。我猜他们之所以能够这样做，是因为他们在带有填充的卷积层中保持了特征大小。由于我的卷积层中没有任何填充，我知道输出对应于图像的某些部分，其中边界像素被冲走。

关键问题：

我希望将输出网格（17x17）适合原始图像空间（255x255），但我无法弄清楚卷积算法。我在这里有两个问题：

1. 原始图像中网格从左上角的偏移量应该是多少？
2. 每个网格单元的尺寸（宽度和高度）是多少？

我猜上面两个问题的答案应该是网络步幅的函数$s$, 输入图像大小$d_i$和输出大小$d_o$（随时证明我错了）。需要明确的是，在我的全卷积网络中，$s$= 8,$d_i$= 255 和$d_o$= 17。