深度學習架構的輸入大小有多重要？

Question

最近，我一直在玩MATLAB的RCNN深度學習示例here。在這個例子中，MATLAB設計了一個輸入大小爲32x32的基本15層CNN。他們使用CIFAR10數據集來預培訓這個CNN。 CIFAR10數據集也有大小爲32x32的訓練圖像。後來他們使用一個小的停車標誌數據集來微調CNN來檢測停車標誌。這個停車標誌的小數據集只有41個圖像;所以他們使用這41張圖片來微調CNN，即訓練一個RCNN網絡。這是他們如何檢測停止標誌： 正如您所看到的，邊界框幾乎覆蓋了整個停止標誌，除了頂部的一小部分。 使用代碼我決定用C語言VOC數據集對CIFAR10數據集預先訓練過的同一網絡進行微調，但僅限於「飛機」類。 這些都是一些結果我得到：

正如你所看到的檢測包圍盒幾乎覆蓋了整個飛機;所以當我評估它們時，這會導致精度爲0。我明白，在MATLAB示例中提到的原始RCNN論文中，輸入尺寸爲227x227，CNN有25層。這可能是爲什麼檢測不準確？ CNN的輸入大小如何影響最終結果？

Answer 1

幾乎肯定是的！當您通過網絡傳遞圖像時，網絡會嘗試最小化從圖像中獲取的數據，直到獲得最相關的數據。在這個過程中，輸入一次又一次地縮小。例如，如果您向網絡插入比想要的圖像更小的圖像，則圖像中的所有數據在網絡傳遞過程中可能會丟失。 在你的情況下，你的結果的一個可選擇的原因是網絡「尋找」有限分辨率的功能，也許大飛機的分辨率超過了。