我想微调ResNet50 ImageNet预训练模型，我有一些关于微调图像预处理的问题 .
在ImageNet预处理中，我们需要减去像素的平均值（[103.939,116.779,123.68]） . 当我使用我的数据集进行微调时，我应该减去ImageNet的平均值还是减去我的数据的平均值 .
我确实看到很多人将数据重新调整为[0,1]，但是预训练模型（ImageNet）在[0,255]中使用了图像比例 . 人们为什么这样做？这合理吗？
老实说，人们夸大了图像预处理的影响 . 唯一真正重要的是测试数据的 Value 尺度与训练数据相似 . 使用批量标准化具有预标准化数据集有一些理论上的好处，但在实践中它从未产生太大差异（2-4％准确度） .
如果你有一个正在运行的模型，并且你试图获得那些最后几个％更好的准确性，而不必增加参数的数量，我建议将其调整到你的用例 .
在我看来，没有一种方法适用于每个用例，但一个好的起点是使用与ImageNet相同的预处理，因为这些功能将类似于为imagenet分类生成的功能 .
我会尝试两者 . 减去你的平均值是有道理的，因为通常一个人试图得到平均值0.减去图像净平均值是有意义的，因为你想要网络作为特征提取器 . 如果你在特征提取器的早期改变某些东西，它可能根本不起作用 .
就像平均值0一样，它通常被视为具有固定范围内的特征或具有固定标准偏差的特征 . 再次，我可以't really tell you what is better but you can easily try it. My guess is that there aren'吨太大的差异 .
最重要的是：确保对培训/测试/评估数据应用相同的预处理步骤 .
2 回答
老实说，人们夸大了图像预处理的影响 . 唯一真正重要的是测试数据的 Value 尺度与训练数据相似 . 使用批量标准化具有预标准化数据集有一些理论上的好处，但在实践中它从未产生太大差异（2-4％准确度） .
如果你有一个正在运行的模型，并且你试图获得那些最后几个％更好的准确性，而不必增加参数的数量，我建议将其调整到你的用例 .
在我看来，没有一种方法适用于每个用例，但一个好的起点是使用与ImageNet相同的预处理，因为这些功能将类似于为imagenet分类生成的功能 .
我会尝试两者 . 减去你的平均值是有道理的，因为通常一个人试图得到平均值0.减去图像净平均值是有意义的，因为你想要网络作为特征提取器 . 如果你在特征提取器的早期改变某些东西，它可能根本不起作用 .
就像平均值0一样，它通常被视为具有固定范围内的特征或具有固定标准偏差的特征 . 再次，我可以't really tell you what is better but you can easily try it. My guess is that there aren'吨太大的差异 .
最重要的是：确保对培训/测试/评估数据应用相同的预处理步骤 .