Tensorflow 如何改进深度神经网络以处理较大的输入图像？

我正在尝试使用深度神经网络检测图像上的路标（基于）：

它对小图像（32 x 32px）的效果非常好，但我想改进我的网络，以处理背景、角落等有路标的大图像（500 x 500px或更大，如果可能）。尝试使用shape=[None，500，500，3]运行此代码会杀死我的计算机：）

我正在考虑这种方式（伪代码）：

SIZE\u GOOD\u ough=32
def try_detect（图像）：
如果图像太小（图像）：#宽度时图像太小
返回FALSE#或高度

---

…或类似的东西，但我还是希望有更大的尺寸足够好，因为一些调整尺寸的路标即使对我来说也很难识别。是否有任何方法可以改进我的网络以更好地处理（例如）200 x 200px图像？对我来说更好意味着“不要杀死我的GPU”，结果的准确度仍然大于0.9。也许我的conv_2d/max_pool_2d没有被很好地选择？如果有任何建议，我将不胜感激。

为了减少GPU内存使用，您可以在网络开始时进一步减小要素地图的空间大小。为了训练更大的网络，需要一个4G或更多内存的GPU，或者几个GPU

---

另一点，我假设32x32的示例以道路标志为中心，而500x500的图像是道路场景，而不仅仅是标志。在这种情况下，你最好做一些类似于物体检测的事情

谢谢你的回答。我找到了这个链接：使用你的建议，这看起来是解决我所有问题的简单方法！：）

dataset_file = [path_to_dataset_file]
X, Y = image_preloader(dataset_file, image_shape=(32, 32), mode='file',
                       categorical_labels=True, normalize=True)
X, Y = shuffle(X, Y)

network = input_data(shape=[None, 32, 32, 3])
network = conv_2d(network, 32, 3, activation='relu')
network = max_pool_2d(network, 2)
network = conv_2d(network, 64, 3, activation='relu')
network = conv_2d(network, 64, 3, activation='relu')
network = fully_connected(network, 512, activation='relu')
network = dropout(network, 0.5)
network = fully_connected(network, 2, activation='softmax')
network = regression(network)

model = tflearn.DNN(network, tensorboard_verbose=0)
model.fit(X, Y, n_epoch=1000, show_metric=True)

SIZE_GOOD_ENOUGH = 32

def try_detect(image):
    if image_too_small(image):  # image is too small when width
        return FALSE            # or height < SIZE_GOOD_ENOUGH
    resized_image = image.resize_to(SIZE_GOOD_ENOUGH, SIZE_GOOD_ENOUGH)
    result = detect_with_DNN(resized_image)  # returns TRUE if detected
    if result:
        return TRUE
    smaller_images_list = cut_into_pieces(image)  # list of smaller images
    for smaller_image in smaller_images_list:
        result = try_detect(smaller_image)  # recursion
        if result:
            return TRUE
    return FALSE