Python 全卷积网络-训练数据中不同大小的图像

我正在尝试使用Keras库Tensorflow后端建立一个完全卷积的神经网络模型

我面临的问题是将]不同大小的图像分批提供给

model.fit（）

函数。训练集由不同大小的图像组成，从768x501到1024x760不等

不超过5个图像具有相同的维度，因此将它们分组成批似乎没有任何帮助

Numpy允许以列表形式将数据存储在单个变量中。但是keras

model.fit（）

函数在接收列表类型的训练数组时抛出错误

我不希望调整大小和丢失数据，因为我已经有一个非常小的数据集

我如何着手培训这个网络？

我认为空间金字塔池（SPP）可能会有所帮助。看看这个

我们注意到，SPP对于深CNN有几个显著的特性：

1） SPP能够生成固定长度的输出，而与输入大小无关，而以前的深度网络中使用的滑动窗口池无法生成固定长度的输出

2） SPP使用多级空间箱，而滑动窗口池仅使用单个窗口大小。多级池已被证明对对象变形具有鲁棒性

3） 由于输入尺度的灵活性，SPP可以汇集在不同尺度上提取的特征。实验表明，这些因素都提高了深度网络的识别精度

---

yhenon

已实现。

您可以尝试填充较小的图像，使其与最大的图像大小相同。如果这不是一个有效的解决方案，请尝试阅读。最后，有人提出了与您相同的问题。您为什么不想调整数据的大小？你有多少张图片？我只有大约1200张用于训练的图片。有些是1024x（~650），有些是768x（~520）。所以我所做的是将它们分成两个批次，并使用它们训练模型。我不想调整大小，因为我希望使用纯未更改的数据。但这似乎是唯一的方法，或者说是填充。所以，我正在训练一个完全卷积的网络。图像输入图像输出类型。因此，我的输出图像与输入图像的大小相同。我不明白的是，我已经将输入形状训练为（无，无，1）。使用两批训练图像-1024x680和760x520。但当我输入大小为1024x720的输入时，它会预测大小为1024x680的输出，这与我的一个训练批大小相对应。如何创建一个网络，该网络可以提供任意大小的输入图像，以产生所需的输出-与输入图像大小相同的图像。调整大小或裁剪是一种方法。