Image processing 训练前压缩图像对CNN有好处吗？

每当我在将数据输入CNN之前对其进行预处理时，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，我总是以某种方式压缩它们

---

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？在现实生活中测试时，它会对网络造成多大的影响？

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，有各种方法可能会产生新问题。 不同大小的多个模型成本太高，因为每个模型都需要一个匹配的数据集

调整大小所产生的问题取决于您的问题和拉伸因子。卷积神经网络只有很小的尺度不变性，因此在许多情况下，拉伸图像应能达到一定程度

---

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，另一个带有缩放。

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，有各种方法可能会产生新问题。 不同大小的多个模型成本太高，因为每个模型都需要一个匹配的数据集

调整大小所产生的问题取决于您的问题和拉伸因子。卷积神经网络只有很小的尺度不变性，因此在许多情况下，拉伸图像应能达到一定程度

---

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，另一个带有缩放。

我最好的建议是不要更改图像的原始比率。在这种情况下，您需要做的是调整图像大小（保持相同的比率），使两个尺寸小于或等于请求的输入尺寸，然后将其填充。

---

例如假设您对网络的输入是160x120，并且您有一个500x500映像。在这种情况下，请将图像大小调整为120x120，然后将其填充到160x120。

我最好的建议是不要更改图像的原始比率。在这种情况下，您需要做的是调整图像大小（保持相同的比率），使两个尺寸小于或等于请求的输入尺寸，然后将其填充。

---

例如假设您对网络的输入是160x120，并且您有一个500x500映像。在这种情况下，请将图像大小调整为120x120，然后将其填充到160x120。

这是一个很好的解决方案，但是我认为网络会对填充图像产生偏见，并且它无法识别没有填充的真实图像padding@LukeDinh-不幸的是，我目前没有任何经验数据来支持我的观点，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。这是一个很好的解决方案，但是我认为网络将偏向于填充图像，并且它将无法识别没有填充的真实图像padding@LukeDinh-不幸的是，我目前没有任何经验数据来支持我的观点，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。相关问题：相关问题：