cnn网络图片的输入大小问题

weixin_37955285 2019-05-05 10:28:29

我的图片是192*192像素的，我应该怎么搭建网络，还是必须用网上现成的网络，把图片resize成规定的大小呢？？小白一个，去查资料也没有讲很明确的

...全文

9640 3 打赏收藏转发到动态举报

写回复

3 条回复

切换为时间正序

请发表友善的回复…

发表回复

风来我也来 2020-12-24

打赏
举报

回复

没有全连接的网络。只要图片>要求的最小尺寸，理论上都可以输入。详细参考MTCNN ，P网络可以输入任意》12*12尺寸,R网络，O网络只能输入固定尺寸。看你目标而定。如果是迁移学习，一半是要resize 到指定大小输入。如果是自定义，根据卷积+池化 /全连接输入，确定尺寸

欢乐的小猪 2020-12-04

打赏
举报

回复

数据量不大的话，只能使用预训练模型进行微调。

风来我也来 2019-05-21

打赏
举报

回复

小白就从调用开始。查下网络要的格式，把你的图片转化成网络要的图片格式(不只是大小，有的还会要求转化为double类型之类)。然后训练。前期建议按照网上给的尺寸，因为一般网络还有配套的预训练库或者已经预先训练过了。

本文介绍了基于空间金字塔池化的卷积神经网络在物体检测中的应用，详细解析了空间金字塔池化（SPP-Net）的工作原理，及其如何克服传统CNN需要固定输入尺寸的问题，实现对任意大小图片的有效检测。

本文介绍卷积神经网络，常用于图像分类。输入图片需“拉伸”，还阐述感受野，其范围可自定义，有核大小、步幅等概念。共享参数可简化网络。池化能减少运算量，但可能影响性能。此外，还提及卷积神经网络在围棋等领域的应用，以及其在处理缩放和旋转问题上的局限。

本文介绍了卷积神经网络（CNN）的基本结构和层次，包括输入层、卷积层、激励层、池化层、归一化层等，并详细解释了卷积核的概念和参数共享。同时，探讨了Batch Normalization和Local Response Normalization的作用，以及Tensorflow中实现CNN的主要函数和参数说明。最后，展示了如何使用Tensorflow构建一个简单的CNN模型进行手写数字识别。

卷积神经网络(CNN)克服了全连接神经网络参数过多的问题，通过局部感知、权重共享和降采样实现高效训练。卷积层的神经元只与前一层部分节点相连，权重共享减少参数量；降采样通过池化层实现信息抽象，防止过拟合。CNN在图像识别、目标检测等领域有广泛应用。

本文详细介绍了CNN卷积神经网络的基本原理，包括网络结构、卷积、池化和全连接层。卷积层通过卷积核提取图像特征，池化层用于降低维度并增强模型的鲁棒性，全连接层则用于输出结果。CNN广泛应用于图像识别等领域，通过训练数据调整网络权重以实现特征学习和泛化。

4,511

社区成员

15,353

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章