推断不同的补丁大小是否正确，而不是使用分割训练补丁大小？

【问题标题】：Is it right to do inference different patch size than training patch size with segmentation?推断不同的补丁大小是否正确，而不是使用分割训练补丁大小？
【发布时间】：2021-12-14 12:39:13
【问题描述】：

我正在训练具有高分辨率图像（高于 8GB）的卫星模型。我生成较小的补丁来处理巨大的图像。使用与训练补丁大小不同的补丁大小进行推理是否正确？

表达式：训练patch大小为512*512

推理块大小为 2048*2048（减少了处理时间，结果似乎还不错）

*不调整大小

【问题讨论】：

标签： deep-learning conv-neural-network image-segmentation semantic-segmentation satellite-image

【解决方案1】：

这取决于您的型号。

如果您的模型是完全卷积模型，则它具有an underlying translation-equivariance property。网络的预测不受其感受野之外的事物的影响，因此增加输入大小（不调整大小）不应影响预测。

但是，如果您的模型是基于 Transformers/Attention 的，那么您将不再有翻译等变，并且您的网络的感受野变成了整个输入。因此，更改输入大小将导致不同的预测。

了解您的模型。

【讨论】：