大家都知道，很多模型的训练是先将图像resize到256256，然后再随机裁剪成224224大小，为什么是这么做呢？
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，77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72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7x2的指数次方，并且在300左右的分辨率作为输入，其中7x2的4次方=7x16=112，7x2的5次方等于7x32=224，7x2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256x256。
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NxN的大图，crop输出为MxM的小图，可以实现(N-M)x(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224x224，所以原图就应该是227x227，234x234，256x256，324x324，很明显从256x256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。
image
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。
网友评论