本文深入探讨了深度学习中图像分类任务的输入尺寸选择原因，解释了为何输入常设定为224*224，并分析了从256*256中裁剪224*224的原理，旨在帮助读者理解图像预处理的重要性。
欢迎大家来到《知识星球》专栏，这里是AI1000问小专题。
作者&编辑 | 言有三
1 图像分类任务输入尺寸相关的问题
有关于经典的图像分类任务中的输入图像尺寸问题，很多同学都有疑问，我们之前已经回答过为什么图像分类网络输入大小是224*224，可以查看往期解答，【AI-1000问】为什么深度学习图像分类的输入多是224*224。
今天再来回答一个与之相关的，为什么很多模型将输入缩放到256*256然后裁剪成224*224呢？
有三AI1000问-模型篇
为什么要从256*256中裁剪出224*224
大家都知道，很多模型的训练是先将图像resize到256*256，然后再随机裁剪成224*224大小，为什么是这么做呢？
作者/编辑 言有三
首先要回顾一下为什么分类任务的输入图像大小常常是224*224。
分类任务输出特征图如果尺寸太小，那么信息就丢失太严重，如果尺寸太大，信息的抽象层次不够高，计算量也更大，7*7的大小是一个很好的平衡。图像从大分辨率降低到小分辨率，降低倍数通常是2的指数次方，所以图像的输入一定是7*2的指数次方。以ImageNet为代表的大多数分类数据集，图像的长宽在300分辨率左右。
所以要找一个7*2的指数次方，并且在300左右的分辨率作为输入，其中7*2的4次方=7*16=112，7*2的5次方等于7*32=224，7*2的6次方=448，与300最接近的就是224了。
接下来我们再思考为什么通常是将图像resize到256*256。
首先我们要知道crop的目标是用于做数据增强。
当我们描述一个数据集的大小，通常是以数量级来衡量，而数据增强也比例外，我们的目标是将数据集增长为原来的几个数量级以上，即扩充10，100，1000倍等。
输入为N*N的大图，crop输出为M*M的小图，可以实现(N-M)*(N-M)的数据集扩充倍数。对应扩充10，100，1000，10000倍，N-M约为3，10，32，100，因为最终结果图是224*224，所以原图就应该是227*227，234*234，256*256，324*324，很明显从256*256这个尺度进行裁剪，能够保证主体不至于太小或者太大，如前面图中红色框。
那不使用256*256使用其他的尺寸如何呢？在比赛刷榜中，经常使用多尺度模型测试，即使用不同尺度的输入图进行裁剪然后进行结果融合，笔者曾经在Place365数据集上训练过ResNet和DPN模型，下面是不同尺度的测试结果。
不同尺度的结果会有差异，但是通常都不大，因此除非模型特殊，不必太纠结与这个问题，毕竟256等于2^8，2的指数次幂，多么经典又快意。
2 更多AI1000问
更多的问题，可以移步知识星球阅读，也可以主动提出需求，合适的问题会被添加进本系列！
有三AI知识星球的内容非常多，大家可以预览一些内容如下。
以上所有内容
加入有三AI知识星球即可获取
来日方长
点击加入
不见不散
更多精彩
每日更新
转载文章请后台联系
侵权必究
往期精选
扫一扫
517
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
