machine-learning - 图像的空间分辨率和 CNN 架构的大小之间有什么关系?

标签 machine-learning deep-learning computer-vision conv-neural-network resolution

我正在研究图像的不同空间分辨率,并考虑为每个空间分辨率实现 CNN 架构,因为调整图像大小会影响对象细节。网络的大小和图像的空间分辨率之间是否存在可以定量解释的特定关系?

最佳答案

网络大小和输入分辨率之间存在关系,尽管它有点间接。网络规模(即 channel 数量和网络深度)和输入分辨率的增加在计算上都是繁重的。最近的一篇论文提出 EfficientNet它通过单个参数参数化 channel 数、深度和输入分辨率。

本质上,如果您只有这么多计算能力可以使用,您必须选择如何在内核大小、深度和分辨率上分配它。所需的计算能力与深度、每个输入边长和 channel 数的平方成线性比例。

关于machine-learning - 图像的空间分辨率和 CNN 架构的大小之间有什么关系?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/60204703/

相关文章:

android - 使用 OpenCV 分析蛋白质凝胶的数据

ruby - 如何使用机器学习对产品的品牌名称进行分类?

python - Tensorflow:如何从预训练的 CNN 的特定层提取图像特征?

deep-learning - 使用 TorchText (PyTorch) 进行语言翻译

python - 具有动态输入形状的 CNN

java - 2D几何形状顶点坐标检测

python - 使用 Scikit Learn 进行部分依赖绘图时出现 ValueError

machine-learning - 如何使用 Weka 试验不同的功能集

python - Keras 自动编码器简单示例有一个奇怪的输出

python - 在图像中绘制多个矩形