灵魂拷问——为什么深度学习图像分类的输入多是224*224？

最新推荐文章于 2020-12-08 17:15:12 发布
最新推荐文章于 2020-12-08 17:15:12 发布
阅读量3k 收藏 5
点赞数 3
分类专栏： 知识科普 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43917653/article/details/106122595
版权

最近在做细粒度图像检索，老师提供的数据集数量太少，我就想着能不能去网上爬一些图片。但是我发现我爬到的那种图片尺寸都挺小的，只有十几二十几KB，尺寸也只有184x276。我心想做深度学习时一开始就要将图片resize成224x224，这么小的图片应该没用吧。
在这里插入图片描述

图1 17.5KB的小图

到了开组会时，老师问我要数据集，我摊摊手说都是些小图，感觉没什么用。老师说这也是一个方向啊，如果这么小的图也能用来做检索。我说一般输入的图片不都得resize成224x224吗，这种图本身都没这么大，resize之后还能看吗。这时，他发出了灵魂拷问，为什么这些图进来之后要resize成224x224？就不能别的尺寸吗？
emmmm，我还真没想过，不过下面这篇文章解答了我的疑问…老师，不如你也看看…
【AI-1000问】为什么深度学习图像分类的输入多是224*224

蘼芜vodka
关注
  • 3
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
FCN：为什么说可以输入任意大小的图片(PyTorch官方规定至少输入224x224)？
Tc、zyh的博客
12-04 1510
FCN详情查看：https://blog.csdn.net/weixin_48167570/article/details/121039644 为什么说如果一个神经网络里面只有卷积层，那么我输入的图像大小是可以任意的。但是如果神经网络里不仅仅只有卷积层，还有全连接层，那么输入的图像的大小必须是固定的。 卷积层的参数和输入大小无关，它仅仅是一个卷积核在图像上滑动，不管输入图像多大都没关系。图像进行卷积的时候，因为每一个卷积核中权值都是共享的，因此无论输入图像的尺寸是多大的都可以都是按照步长滑动做卷积，只不过
图像识别（一）| 从像素说起
AI与算法都要通俗易懂
06-11 2137
从零开始，学习神经网络的图像识别
【AI-1000问】为什么深度学习图像分类的输入多是224*224
hacker_long的专栏
03-13 6745
文章首发于微信公众号《有三AI》 【AI-1000问】为什么深度学习图像分类的输入多是224*224 写在前边的通知 大家好，今天这又是一个新专栏了，名叫《有三AI 1000问》，顾名思义，就是以问题为主了！ 那我们这个新专栏会有什么特色呢？主要从内容选择，目标受众，创作风格三个方面来讲述。 1、内容选择 因为我们有综述专栏，有各种垂直领域的非常详细的文章，所以从内容选择上，...
为什么深度学习图像分类的输入多是224*224
垃圾就应该待在垃圾桶里的博客
10-20 2561
为什么深度学习图像分类的输入多是224*224？ 文章目录前言总结 前言 做过图像分类项目或者看过文章的小伙伴们应该都知道，在论文中进行各类方法的比较时，要求使用同样的数据集。而为了公平的比较，网络的输入大小通常都是224*224的大小，那为什么呢？有同学思考过这个问题吗？ 我们都知道，一个图像分类模型，在图像中经历了下面的流程 从输入image->卷积和池化->最后一层的feature map->全连接层->损失函数层softmax loss。 从输入到最后一个卷积特征fe
为什么深度学习图像分类里的图片的输入大小都是224*224呢？
Mr_zhuo_的博客
10-22 1万+
在论文中进行各类方法的比较时，要求使用同样的数据集。而为了公平的比较，网络的输入大小通常都是224*224的大小，那为什么呢？ 我们都知道，一个图像分类模型，在图像中经历了下面的流程。 从输入image->卷积和池化->最后一层的feature map->全连接层->损失函数层softmax loss 从输入到最后一个卷积特征feature map，就是进行信息抽象的过程，然后就经过全连接层/全局池化层的变换进行分类了，这个feature map的大小，可以是3*3，5*5
【知识星球】为什么图像分类任务要从256*256中裁剪出224*224
hacker_long的专栏
08-08 6882
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...
人大副教授：本科生一定要做科研吗？九大灵魂拷问
05-13
写这篇文章的初衷，是与本科生的接触过程中看到了一些对于科研的困惑或者误区，所以想大概介绍一下本科生的科研之路第一脚该从哪里走起。所以本篇文章的定位不是侧重学术性，也不会侧重于教育性，而是一些个人经验的...
灵魂拷问：对方到底怎么想的？
08-19
5. **设定对方为正派角色**：人们通常认为自己的行为是正确的，因此在理解他人时，尝试将他们视为故事中的正面角色，有助于消除误解，如玛丽可能的初衷是出于关心而非侵犯隐私。 6. **自我设定为反派角色**：在对方...
“机器人也是人”的法理拷问.pdf
08-14
"“机器人也是人”的法理拷问”这一主题，引发了关于智能机器人在法律和社会中的地位的深刻讨论。随着人工智能的发展，特别是“强人工智能”（Strong AI）和“智慧人工智能”的出现，智能机器人具备了形式理性的能力...
data2_224X224.zip
06-25
CNN网络模型训练，数据为王，使用相同机器学习算法，不同质量的数据能训练出不同效果的模型如果你用谷歌搜索“AI+农业”或者“人工智能+农业”，就会发现与AI在其他领域的应用相比，农业依旧是未经广泛开垦的“蛮荒之地”。 专注新农业服务的新客科技创始人刘新农表示，这背后的原因有很多，基本上可以归结为三个原因：缺乏数据，人才稀少，鲜有关注。 但现在，情况有了变化。8月底，AI Challenger 2018联合新客科技发起了世界上首个农作物病害检测竞赛。竞赛中，会给参赛选手提供近5万张标注图片，覆盖10种植物的27种病害。 据悉，从开始比赛到现在，已经吸引了来自世界各地的29个国家的近1200支团队参赛。 从这个竞赛的情况来看，AI+农业，似乎正在迎来春天。 AI+农业 AI+农业，是一个非常广泛的领域。今年的AI Challenger竞赛只选择了其中的一个方向：农作物病害检测。 虽然只是其中的一个方向，但影响力不容小觑。据中国统计年鉴，2016年，由农业病害等灾害造成的直接损失超5000亿元，占农业生产总值的8.48%。 刘新农介绍说，在农业生产中，农药使用也在急剧增加。这不仅导致农药残留引发社会问题，还会加剧对环境的污染。对农作物进行准确的病害识别并推荐合适的防治措施，不仅对于农业生产意义重大，对于改善整个社会经济环境也有帮助。
灵魂拷问：到底要不要写单元测试，如何正确进行单元测试？.zip
最新发布
12-13
计算机技术、IT咨询、人工智能AI理论介绍，学习参考资料 计算机技术、IT咨询、人工智能AI理论介绍，学习参考资料 计算机技术、IT咨询、人工智能AI理论介绍，学习参考资料 计算机技术、IT咨询、人工智能AI理论介绍，...
fcn模型是如何resize224乘以224_「AI」目标检测第三话：R-FCN和FPN
weixin_30013175的博客
12-08 191
编者按：在目标检测的发展历程中，有一种很重要的方式来在保持精度的同时提高网络的速度，那就是共享卷积。而从SPP-Net开始提出共享卷积的方式，在之后的几乎所有的目标检测模型都使用了这种方法，Faster R-CNN同样如此，但在RoI-Pooling后的权重并没有共享，那么思考：能不能共享所有的卷积层呢？文章作者：TeddyZhang责任编辑：TeddyZhang1目标检测：Region-base...
输入的尺寸很重要
wydbyxr的博客
11-30 533
输入的尺寸很重要   ImageNet通常将224x224x3作为输入尺寸，即具有3个颜色通道的224×224像素图像。虽然12GB内存对于ImageNet上具有112x112x3维度的类似数据集的最先进的结果至关重要，但我们可能会获得最新的结果，只有4-6GB的内存。另一方面，对于输入大小为25x75x75x3x的视频数据集，12GB的内存可能与您需要的结果相差很远。 ...
深度学习与TensorFlow实战（十）卷积神经网络—VGG（16）神经网络
法兰西流浪者博客
08-27 9761
架构： 训练输入：固定尺寸224x224的RGB图像。 预处理：每个像素减去训练集上的RGB均值。 卷积核：一系列3X3卷积核堆叠，步长为1，采用padding保持卷积后图像空间分辨率不变。 空间池化：紧随卷积堆的最大池化，为2x2滑动窗口，步长2. 全连接层：特征提取后，接三个全连接层，前两个为4096，第三个为1000通道，最后是一个softmax层，输出概率。 所有隐藏层都用非线...
VGG16网络模型
python内置函数set()
06-04 759
他提出了卷积神经网络的深度增加和小卷积核的使用对网络的最终分类识别效果有很大的作用。后两个网络对卷积核的开刀的优化方法也证明了这一观点。 在论文的实验中，证明了在大规模图像识别任务中卷积神经网络的深度对准确率的影响。主要的贡献是利用带有很小卷积核（3*3）的网络结构对逐渐加深的网络进行评估，结果表明通过加深网络深度至16-19层可以极大地改进前人的网络结构。网络结构如下 网络参数设置 输入为的经过去均值处理的224x224大小的RGB图片。 卷积核大小均是3x3，步长为1（stride = 1）Paddi
卷积神经网络
热门推荐
雨石
11-29 31万+
自今年七月份以来，一直在实验室负责卷积神经网络（Convolutional Neural Network，CNN），期间配置和使用过theano和cuda-convnet、cuda-convnet2。为了增进CNN的理解和使用，特写此博文，以其与人交流，互有增益。正文之前，先说几点自己对于CNN的感触。先明确一点就是，Deep Learning是全部深度学习算法的总称，CNN是深度学习算法在图像处理领域的一个应用。 第一点，在学习Deep learning和CNN之前，总以为它们是很了不得的知识，总以为它们
用Python写出【问题描述】传闻有一位肖教官的要求非常严格，因此士兵们都叫他魔鬼教官。肖教官在组建队伍的时候，只会保留能力值最高的那些士兵。每当一名新的战士入伍的时候，他会勒令队伍中所有能力值小于新战士的能力值的战士都退伍。已知某天一共入伍了 n 名士兵，第 i 名士兵的能力值为 a i ，且一开始队伍中没有任何士兵。请问在经过肖教官的灵魂拷问之后，有哪些士兵留在了队伍中。 【输入形式】第一行一个正整数 n ，属于区间 [1,1000] ，不需要对其是否满足该条件进行额外的判断。 第 2 行至第 n+1 行为一个正整数，其中第 i+1 行为 a i ，属于区间 [1,100000] ，不需要对其是否满足该条件进行额外的判断。 【输出形式】第一行一个整数 m ，表示最后留在队伍中的人数。 接下来 m 行，每行一个整数，表示一名最后留在队伍中的士兵的编号，按编号从小到大的顺序输出。 【样例输入】
06-01
好的，下面是 Python 实现的代码： ```python n = int(input()) a = [] for i in range(n): ai = int(input()) j = i - 1 while j >= 0 and ai > a[j]: j -= 1 a.insert(j+1, ai) m = 1 while m < n and a[m] == a[0]: m += 1 print(m) for i in range(m): print(i+1) ``` 其中，第一个 for 循环用来输入每个士兵的能力值，并将其按照从大到小的顺序插入到一个列表中。第二个 while 循环用来统计能力值等于最大值的士兵数量，并输出这些士兵的编号。整个过程时间复杂度为 O(n^2)。 同样的，这个算法的时间复杂度比较高，如果输入数据量比较大，可能会超时。在实际应用中，我们可以使用更高效的排序算法来代替插入排序，例如快速排序、归并排序等。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值