对于流行的计算机视觉模型，是否有实际的最小输入图像大小？(例如，vgg、resnet等)

Question

根据关于传递学习的预先训练的计算机视觉模型(例如这里)的文件，输入图像应该是“3通道RGB形状的图像(3xHxW)的迷你批次，其中H和W至少应该是224”。

然而，当在3通道图像上运行传输学习实验时，当图像的高度和宽度小于预期时(如小于224)，网络通常运行平稳，性能良好。

因此，在我看来，“最小高度和宽度”在某种程度上是一个惯例，而不是一个关键的参数。我是不是漏掉了什么？

Answer 1

您的输入大小有一个限制，它对应于网络的最后一个卷积层的接收字段。直观地说，你可以观察到空间维数随着你通过网络而减少。至少这是用于从输入图像中提取特征嵌入的特征提取器CNN的情况。这是大多数预先训练的模型，如香草VGG，和ResNets网络不保留空间维数。如果卷积层的输入小于内核大小(即使/当填充时)，那么您就无法执行该操作。

Answer 2

例如，标准的resnet50模型只接受范围为193-225的输入，这是由于体系结构和向下缩放层造成的(见下文)。默认reason模型工作的唯一原因是它使用自适应池层，它允许不限制输入大小。所以它会起作用的，但是你应该准备好面对性能衰退和其他有趣的事情:)

​

​

希望你会发现它有用：

1. https://discuss.pytorch.org/t/how-can-torchvison-models-deal-with-image-whose-size-is-not-224-224/51077/3
2. 什么是自适应平均池?它是如何工作的？
3. https://pytorch.org/docs/stable/generated/torch.nn.AdaptiveAvgPool2d.html
4. https://github.com/pytorch/vision/blob/c187c2b12d86c3909e59a40dbe49555d85b98703/torchvision/models/resnet.py#L118
5. https://github.com/pytorch/vision/blob/c187c2b12d86c3909e59a40dbe49555d85b98703/torchvision/models/resnet.py#L151
6. https://developpaper.com/pytorch-implementation-examples-of-resnet50-resnet101-and-resnet152/