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

9659 3 打赏收藏举报

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。

基于空间金字塔池化的卷积神经网络物体检测原文地址：http://blog.csdn.net/hjimce/article/details/50187655 作者：hjimce 一、相关理论本篇博文主要讲解大神何凯明2014年的paper：《Spatial Pyramid Pooling in Deep Convolutional Networks for Vi

全连接网络是弹性最大的。全连接网络可以决定它看整张图像还是只看一个范围，如果它只想看一个范围，可以把很多权重设成 0。但加上感受野的概念以后，只能看一个小范围，网络的弹性是变小的。参数共享又进一步限制了网络的弹性。本来在学习的时候，每个神经元可以各自有不同的参数，它们可以学出相同的参数，也可以有不一样的参数。但是加入参数共享以后，某一些神经元无论如何参数都要一模一样的，这又增加了对神经元的限制。而感受野加上参数共享就是卷积层（convolutional layer）

一、CNN的引入在人工的全连接神经网络中，每相邻两层之间的每个神经元之间都是有边相连的。当输入层的特征维度变得很高时，这时全连接网络需要训练的参数就会增大很多，计算速度就会变得很慢，例如一张黑白的 28×2828×28 的手写数字图片，输入层的神经元就有784个，如下图所示：若在中间只使用一层隐藏层，参数 ww 就有 784×15=11760784×15 = 11760 多个；若输入的

卷积神经网络简介传统的BP神经网络与DNN(深度神经网络)不同层神经元的连接方式是“全连接”，也就是这一次层的一个神经元的输入，会接受上一次每一个神经元的输出，这种方式即为“全连接神经网络”。这样的连接方式有一个的缺点：因为权值与偏置等参数量大，导致训练收敛十分缓慢。特别是对于图像这样的训练数据，动不动就是数以百万的像素，理论上虽然可以收敛，但你可能得等上N年才有结果，而且它的泛化性也会变差。例如...

使用Matlab自带的深度学习工具箱构建卷积神经网络（CNN）进行图片分类，以识别并分类手写数字为例。首先将大量的图片数据导入；然后给不同种类的图片打上对应的分类的标签，划分为训练集和测试集；构建CNN网络其中包括3层2维卷积和3个池化层，全连接层及分类层；调整好输入输出格式对CNN进行训练及测试；最后结果表明CNN可以有效的对手写数字图像进行分类。...

4,514

社区成员

15,347

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