Neural network Caffe |通过随机裁剪增加数据

我正在尝试在Caffe上训练我自己的网络，类似于Imagenet模型。但我对作物层感到困惑。在我了解Imagenet模型中的裁剪层之前，在训练期间，它将随机选取227x227图像裁剪并训练网络。但在测试过程中，它将需要中心227x227图像裁剪，当我们从256x256图像裁剪中心227x27图像时，我们是否会从图像中丢失信息？第二个问题，我们如何定义训练期间要收获的作物数量

---

此外，我还训练了相同的网络（相同层数，相同卷积大小的FC神经元会明显不同），第一次从256x256图像中截取227x227个片段，第二次从256x256图像中截取255x255个片段。根据我的直觉，255x255作物的模型应该给我最好的结果。但我用227x227图像获得了更高的准确度，有人能解释我背后的直觉吗，还是我做错了什么

您的观察结果并非特定于Caffe

训练和测试期间裁剪图像的大小需要相同（在您的情况下为227x227），因为上游网络层（卷积等）需要图像的大小相同。在训练期间进行随机裁剪是因为您需要数据扩充。但是，在测试过程中，您希望根据标准数据集进行测试。否则，测试期间报告的准确性也将取决于移动测试数据库

每次迭代都会动态生成作物。训练批中的所有图像都是随机裁剪的。我希望这能回答你的第二个问题

您的直觉还不完整：如果收割机更大（227x227），您的数据会增加更多。数据扩充实质上是从无到有地创建“新”训练样本。这对于防止训练期间过度装配至关重要。对于较小的裁剪（255x255），您应该期望更好的训练精度，但测试精度较低，因为数据更可能被过度拟合

---

当然，修剪可能会过度。裁剪过多会使图像丢失太多信息。对于图像分类，理想的裁剪尺寸是不改变图像类别的尺寸（即只裁剪背景）

我认为这个问题应该得到更广泛的答案，描述caffe如何准确地处理“动态”数据扩充。我很想看到答案。@Shai Ya那很好。