為什麼圖像(影像)分類任務要從256*256中裁剪出224*224(opencv 影像/圖像 辨識 來源尺寸 建議大小) – jashliao部落格

為什麼圖像(影像)分類任務要從256*256中裁剪出224*224(opencv 影像/圖像 辨識 來源尺寸 建議大小)

資料來源: https://mp.weixin.qq.com/s/3_fn2oBrjrbrybF10UpFfw

分類任務輸出特徵圖如果尺寸太小，那麼信息就丟失太嚴重，如果尺寸太大，信息的抽象層次不夠高，計算量也更大，7*7的大小是一個很好的平衡。圖像從大分辨率降低到小分辨率，降低倍數通常是2的指數次方，所以圖像的輸入一定是7*2的指數次方。以ImageNet為代表的大多數分類數據集，圖像的長寬在300分辨率左右。

所以要找一個7*2的指數次方，並且在300左右的分辨率作為輸入，其中7*2的4次方=7*16=112，7*2的5次方等於7*32=224 ，7*2的6次方=448，與300最接近的就是224了。

接下來我們再思考為什麼通常是將圖像resize到256*256。

首先我們要知道crop的目標是用於做數據增強。

當我們描述一個數據集的大小，通常是以數量級來衡量，而數據增強也比例外，我們的目標是將數據集增長為原來的幾個數量級以上，即擴充10，100，1000倍等。

輸入為N*N的大圖，crop輸出為M*M的小圖，可以實現(NM)*(NM) 的數據集擴充倍數。對應擴充10，100，1000，10000倍，NM約為3，10，32，100，因為最終結果圖是224*224，所以原圖就應該是227*227，234*234，256*256，324 *324，很明顯從256*256這個尺度進行裁剪，能夠保證主體不至於太小或者太大，如前面圖中紅色框。

那不使用256*256使用其他的尺寸如何呢？在比賽刷榜中，經常使用多尺度模型測試，即使用不同尺度的輸入圖進行裁剪然後進行結果融合，筆者曾經在Place365數據集上訓練過ResNet和DPN模型，下面是不同尺度的測試結果。

不同尺度的結果會有差異，但是通常都不大，因此除非模型特殊，不必太糾結與這個問題，畢竟256等於2^8，2的指數次冪，多麼經典又快意。