我对计算机视觉和深度学习还很陌生。我一直想知道为什么 CNN 模型（或其他模型）中输入的图像尺寸通常为特定数字，如 28*28、512*512、256*256。有什么理由吗？如果我以任意大小调整图像大小会发生什么？性能会受到影响吗？
【问题讨论】：
标签： deep-learning computer-vision convolutional-neural-network
大多数 CNN 架构使用包含多个 2 因子的图像大小。这样，您可以使用 MaxPooling 对图像进行多次下采样，而无需将分辨率四舍五入到最接近的整数。
512 -maxpool-> 256 -maxpool-> 128 -maxpool-> 64 -maxpool-> 32 ...
有时您会遇到这种方法不起作用的解决方案。例如，U-Net 使用 572*572 的分辨率，您可以在其中应用 MaxPooling 两次，直到您必须对分辨率进行四舍五入。这是因为 U-Net 使用未填充的卷积，其中一些图像在应用 MaxPooling 之前的卷积层期间被裁剪。
572 -conv-> 570 -conv-> 568 -maxpool-> 284 -conv-> 282 -conv-> 280 -maxpool-> 140 ...
我不知道有任何论文评估了 MaxPooling 期间舍入分辨率的影响，但我的直觉是它可能不会改善情况。就个人而言，我在给定输入分辨率的情况下使用了几次舍入，与最初裁剪部分图像相比没有发现差异。
【讨论】：
它是在网络设计期间定义的输入节点大小。训练也是使用该大小的图像完成的。因此，如果您想要一个一致的结果，您应该将输入图像的大小调整为相同的大小，并遵循训练中考虑的相同规范化规则。
如果您使用不同尺寸的图像，根据网络中使用的层，您可能会引发尺寸不匹配的异常，或者您将获得不同的输出尺寸。
【讨论】：