Neural network 不同的图像大小(分辨率)作为CNN推断的输入

Neural network 不同的图像大小(分辨率)作为CNN推断的输入,neural-network,conv-neural-network,Neural Network,Conv Neural Network,这可能是一个基本的概念性问题,但通过阅读不同的CNN,如VGG、Alexnet、GoogleNet等,似乎一旦模型以特定的图像大小作为输入进行了训练,比如说256x256,在推理过程中,我无法在不调整大小或交叉的情况下为模型1920 x 1080提供不同的图像大小。这是真的吗 我知道YOLO处理不同分辨率的图像,YOLO是否在将图像交给卷积层之前调整图像大小 我的要求是对一系列可能没有相同图像大小的图像进行对象识别,显而易见的方法是调整图像大小,但这可能会导致图像信息丢失 如果是这样,我是否需要

这可能是一个基本的概念性问题,但通过阅读不同的CNN,如VGG、Alexnet、GoogleNet等,似乎一旦模型以特定的图像大小作为输入进行了训练,比如说256x256,在推理过程中,我无法在不调整大小或交叉的情况下为模型1920 x 1080提供不同的图像大小。这是真的吗

我知道YOLO处理不同分辨率的图像,YOLO是否在将图像交给卷积层之前调整图像大小

我的要求是对一系列可能没有相同图像大小的图像进行对象识别,显而易见的方法是调整图像大小,但这可能会导致图像信息丢失


如果是这样,我是否需要针对我拥有的每个图像大小训练一个模型,然后每次针对特定图像重新加载该模型?

还有更多的概念问题,VGG、AlexNet、GoogleNet是图像分类模型,而YOLO是对象检测模型。只有当网络完全卷积时,它才能接受可变大小的图像


因此,您唯一的选择是将图像大小调整为普通大小,这在实践中效果很好,因此您应该这样做,并评估不同的图像大小,以查看精度如何随其变化。只有在做了这样的实验之后,您才能决定是否调整大小是不合适的。

您不需要针对每个图像大小训练模型。Yolo确实调整了输入图像的大小,但这一步与裁剪图像不同,不会导致任何信息丢失。一切都要缩放,所以调整大小和标准化不会影响性能,如果没有帮助的话。非常感谢,所以我知道如果我想要可变大小的图像,我不能在最后使用完全连接的层。那么,是否存在用于图像分类的完全卷积网络?我知道Yolo是一个完全复杂的对象检测模型,但它不也对每个对象进行分类吗?