我正在尝试使用TensorFlow复制完全卷积网络（FCN）的语义分段结果 .
我坚持将训练图像输入到计算图中 . 完全卷积网络使用VOC PASCAL数据集进行培训 . 但是，数据集中的训练图像具有不同的大小 .
我只想询问他们是否预处理了训练图像，使它们具有相同的大小以及它们如何预处理图像 . 如果没有，他们只是将不同大小的批量图像送入FCN吗？是否可以将一批中不同尺寸的图像输入TensorFlow中的计算图？是否可以使用队列输入而不是占位符来做到这一点？
它通常是批量大小，低于 None ），但每个样品必须具有相同的尺寸 .
None
当你训练一个完全卷积网络时，你必须训练它，就像一个网络，最后有完全连接的层 . 因此，输入批次中的每个输入图像必须具有相同的宽度，高度和深度 . 调整大小 .
唯一的区别是，当完全连接的层为输入批次中的每个样本输出单个输出向量（形状 [None, num_classes] ）时，完全卷积输出类的概率图 .
[None, num_classes]
在训练期间，当输入图像尺寸等于网络输入尺寸时，输出将是具有形状 [None, 1, 1, num_classes] 的概率图 .
[None, 1, 1, num_classes]
您可以使用tf.squeeze从输出张量中删除尺寸1的尺寸，然后计算损耗和精度，就像使用完全连接的网络一样 .
在测试时，当您输入尺寸大于输入的网络图像时，输出将是大小为 [None, n, n, num_classes] 的概率图 .
[None, n, n, num_classes]
您可以使用批量大小= 1
您可以将图像调整为固定大小，如256,256
您可以将每个批次的大小调整为其内容的中间图像大小 .
2 回答
它通常是批量大小，低于
None），但每个样品必须具有相同的尺寸 .当你训练一个完全卷积网络时，你必须训练它，就像一个网络，最后有完全连接的层 . 因此，输入批次中的每个输入图像必须具有相同的宽度，高度和深度 . 调整大小 .
唯一的区别是，当完全连接的层为输入批次中的每个样本输出单个输出向量（形状
[None, num_classes]）时，完全卷积输出类的概率图 .在训练期间，当输入图像尺寸等于网络输入尺寸时，输出将是具有形状
[None, 1, 1, num_classes]的概率图 .您可以使用tf.squeeze从输出张量中删除尺寸1的尺寸，然后计算损耗和精度，就像使用完全连接的网络一样 .
在测试时，当您输入尺寸大于输入的网络图像时，输出将是大小为
[None, n, n, num_classes]的概率图 .您可以使用批量大小= 1
您可以将图像调整为固定大小，如256,256
您可以将每个批次的大小调整为其内容的中间图像大小 .