如何在图像大小不固定且不断变化的情况下训练 FCN 网络？

Question

我已经用 256x256 的固定尺寸图像训练了FCN 模型。我能否请教专家，一旦图像的大小从一张图像变为另一张图像，我该如何训练相同的模型？

我真的很感谢你的建议。谢谢

Answer 1

您可以选择以下策略之一：

1. 批次 = 1 张图片

通过将每个图像训练为不同的批次，您可以在数据层reshape的forward()（而不是reshape()）中设置网络，从而在每次迭代时更改网络。
+reshape在forward方法中写入一次，您不再需要担心输入的形状和大小。

-reshape网络通常需要分配/解除分配 CPU/GPU 内存，因此需要时间。
- 您可能会发现批次中的单个图像太小了。

例如（假设您使用"Python"图层进行输入）：

def reshape(self, bottom, top):
  pass  # you do not reshape here.

def forward(self, bottom, top):
  top[0].data.reshape( ... )  # reshape the blob - this will propagate the reshape to the rest of the net at each iteration
  top[1].data.reshape( ... )  # 

  # feed the data to the net      
  top[0].data[...] = current_img
  top[1].data[...] = current_label

2. 随机作物

您可以决定固定的输入大小，然后随机裁剪所有输入图像（以及相应的基本事实）。
+无需reshape每次迭代（更快）。
+在训练过程中控制模型大小。

- 需要对图片和标签进行随机裁剪

3. 固定尺寸

将所有图像调整为相同大小（如在 SSD 中）。
+简单

- 如果并非所有图像都具有相同的纵横比，图像就会失真。
- 你对缩放没有不变性