为什么深度学习图像分类的输入多是224*224？
前言
做过图像分类项目或者看过文章的小伙伴们应该都知道，在论文中进行各类方法的比较时，要求使用同样的数据集。而为了公平的比较，网络的输入大小通常都是224*224的大小，那为什么呢？有同学思考过这个问题吗？我们都知道，一个图像分类模型，在图像中经历了下面的流程
从输入image->卷积和池化->最后一层的feature map->全连接层->损失函数层softmax loss。
从输入到最后一个卷积特征feature map，就是进行信息抽象的过程，然后就经过全连接层/全局池化层的变换进行分类了，这个feature map的大小，可以是3×3，5×5，7×7等等。
解答1：在这些尺寸中，如果尺寸太小，那么信息就丢失太严重，如果尺寸太大，信息的抽象层次不够高，计算量也更大，所以7*7的大小是一个最好的平衡。
另一方面，图像从大分辨率降低到小分辨率，降低倍数通常是2的指数次方，所以图像的输入一定是7*2的指数次方。以ImageNet为代表的大多数分类数据集，图像的长宽在300分辨率左右。
解答2：所以要找一个7×2的指数次方，并且在300左右的，其中7×2的4次方=7×16=112，7×2的5次方等于7×32=224，7×2的6次方=448，与300最接近的就是224了。
这就是最重要的原因了，当然了对于实际的项目来说，有的不需要这么大的分辨率，比如手写数字识别MNIST就用32*32，有的要更大，比如细粒度分类。
看到一个这么回到，感觉虽然不是
总结
转载公众号：有三AI