TensorFlow-Slim中的ResNet V2版本的输入图像大小是正确的

Question

在TesnorFlow-Slim中的ResNet V2文档中有一些不明确之处，我无法完全解决。

在README.md中，他们建议使用299x299输入映像：

^ ResNet V2模型使用盗梦空间预处理，输入图像大小为299 (使用eval_image_classifier.py时使用预处理_名称起始--eval_V2_ size 299 )。

但是，在注释这里中，它们使用的是224x224的图像：

   # inputs has shape [batch, 224, 224, 3]
   with slim.arg_scope(resnet_v2.resnet_arg_scope()):
      net, end_points = resnet_v2.resnet_v2_101(inputs, 1000, is_training=False)

介绍ResNet V2的论文在这一点上有点混乱。它们提供了一个表，但我不清楚“训练作物”(224x224)还是“测试作物”(320x320)是推断图像大小。

模型图本身并没有提供任何帮助；根据卷积和池的位置，它似乎与输入图像大小一样有效。

任何帮助都将不胜感激。

更新：-我运行了少量的实验，并似乎得到了更好的分类结果与224x224输入图像。

Answer 1

官方网站上写着输入的大小

1. VGG16，VGG19和ResNet :224*224
2. Xception:299*299