Machine learning 高分辨率图像分类
通常预先训练的网络，如VGG16/Inception等，其分辨率较低，如<500px 是否可以在预先训练的VGG16/Inception的第一层之前添加一个（或两个）高分辨率卷积层，以使网络能够使用高分辨率图片 据我所知，第一层最难训练，训练它需要大量的数据和资源 我想知道是否有可能冻结预先训练好的网络，只训练普通GPU卡上新连接的高分辨率层和大约3000个示例？能在几个小时内完成吗 此外，如果您知道如何使用高分辨率图像进行图像分类的任何示例，请共享该链接 附言Machine learning 高分辨率图像分类,machine-learning,tensorflow,pre-trained-model,Machine Learning,Tensorflow,Pre Trained Model,通常预先训练的网络，如VGG16/Inception等，其分辨率较低，如
通常的降尺度方法的问题是，在我们的例子中，微小的细节，如微小的裂缝或微小的污点非常重要，它们在较低分辨率的图像上丢失了。你不可能冻结预训练的网络，然后在一开始就添加额外的层，因为初始层需要三个通道输入，并且设计用于在图像中发现特征 相反，您可以尝试修改网络的体系结构，以便在使用池或跨步缩小规模之前，初始层确实接收1024x1024个图像 例如，您可以尝试将Inception V3的Slim模型定义中第一个conv层的步幅调整为8，而不是2：
这将允许您读取4倍大的图像，同时保持网络的其余部分不变。不幸的是，我想你需要做一次全面的重新培训。
将受过训练的IMANET模型应用到你的问题中，你可以考虑在后端而不是正面放置新的层。ImageNet CNN模型中的第一层经过训练，可以检测“通用”的低级特征（水平/垂直/对角边缘、色斑等）。这些卷积层不需要固定的图像大小（由于图像中对象的预期比例和/或为了适应完全连接层的尺寸，通常将图像调整为公共尺寸）
因此，您可以尝试保持第一个
N