cifar-10图像插值方法对训练模型结果的影响

有的时候我们为了使用比较深的神经网络训练cifar-10数据集。
这时，就不得不对resolution=32*32 的图像进行放大。来适应更深的 neutral network。
图像放大主要方法是差值。常用方法包括：线性插值，双线性插值，双三次插值。

---

本文就几种常用的插值方法讨论他们对神经网络训练的结果的影响。以图像检索为例。

1、单纯比较几种方法性能优劣

method	计算量	插值结果
nearest	最少	没考虑其他相邻像素点的影响，因而重新采样后灰度值有明显的不连续性，图像质量损失较大，马赛克和锯齿现象
bilinear	中等	考虑临近4个点，不会出现像素值不连续的的情况，由于双线性插值具有低通滤波器的性质，使高频分量受损，所以可能会使图像轮廓在一定程度上变得模糊
bicubic	最大	考虑周围16个点，插值放大后损失最小，计算量大

2、用插值后的数据训练。

将原图【32*32】放大了49倍的结果进行训练 resize之后【224*224】。调优模型VGG_F model，在cifar-10上