如果我拿论文“深度残差学习用于图像识别”的图3，看看下面的残差网络：

$3\times3$ 转换，64 个过滤器

   | (X) (suppose shape is 14*14*64
   v

$3\times3$ 转换，128 个过滤器，步幅=2

   | (X') (shape will be 7*7*128
   v

$3\times3$ 转换，128 个过滤器

   |
   v (F(X) (shape will be 7*7*128)

因此，我必须（按元素）对不同形状的结果 $X + F(X)$ 求和。然而，虽然 $1\times1$ 卷积可以帮助获得相同的深度（特征数量），但为 X 和 F(X) 获得相同宽度/高度的传统方法是什么？

我应该计算 MaxPooling(X, stride=2) + F(X) 吗？