在训练之前压缩图像对 CNN 有好处吗？答案

【问题标题】：Is squeezing images before training good for CNN?在训练之前压缩图像对 CNN 有好处吗？
【发布时间】：2018-07-31 04:35:26
【问题描述】：

每当我在将数据输入 CNN 之前对数据进行预处理时，我总会想到一个非常大的问题。当我将图像调整到正确的大小时，我总是以某种方式挤压它们。

我见过很多人做同样的事情，我到处寻找答案，但没有一个真正让我满意，所以我的问题是：这对训练有好处吗？在现实生活中测试它会对网络造成多大的影响？

【问题讨论】：

相关问题：stackoverflow.com/q/48230031/712995

标签： image-processing tensorflow neural-network keras conv-neural-network

【解决方案1】：

我最好的建议是不要改变图像的原始比例。在这种情况下，您需要做的是调整图像的大小（保持相同的比例），使两个尺寸都小于或等于请求的输入尺寸，然后填充它。例如。假设您对网络的输入是 160x120，并且您有一个 500x500 的图像。在这种情况下，将图像大小调整为 120x120，然后将其填充为 160x120。

【讨论】：

这是一个很好的解决方案，但是我认为网络会偏向于填充图像，并且它无法识别没有填充的真实图像
@LukeDinh - 不幸的是，我目前没有任何经验数据来支持我的案例，但对我来说，这种方法提供了所有其他可能性中最好的结果。

【解决方案2】：

您的模型需要一个固定大小的输入维度。调整图像大小的替代方法是填充数据或训练多个模型。对于填充，有多种方法会产生新的问题。不同大小的多个模型太昂贵了，因为每个模型都需要一个匹配的数据集。

调整大小引起的问题取决于您的问题和拉伸因素。卷积神经网络仅在很小程度上具有尺度不变性，因此在许多情况下拉伸图像应该可以达到一定程度。

要找到问题的答案，您可以训练两个模型并比较性能：一个带有填充，一个带有缩放。

【讨论】：