我在很多论文中都看到，后台删除的预处理有助于减少计算量。但为什么会这样呢？我的理解是，无论它是如何填充，0或正面，CNN在矩形窗口上工作。
有关示例，请参阅this。
答案 0 :(得分：1)
在您提供的论文中，似乎他们没有将整个图像传递到网络。相反，他们似乎是从非白色背景中选择较小的补丁。这是有道理的，因为它减少了数据中的噪声，但它也降低了计算复杂性，因为它对完全连接的层有影响。
假设输入图像的大小为h*w。在您的CNN中，图像通过一系列卷积和最大池，因此，在第一个完全连接的图层之前，您最终会得到一个大小的特征图
sz=m*(h/k)*(w/d)
其中m是要素平面的数量，k和d取决于层数，每个卷积和最大池模块的参数（例如卷积内核的大小等）。通常，我们会d==k。现在，假设您将其提供给完全连接的图层，以生成q参数的矢量。该层的作用基本上是矩阵乘法
A*x
其中A是一个大小为q*sz的矩阵，而x只是您的要素图写为向量。
现在，假设您将大小为(h/t)*(w/t)的补丁传递给网络。最终得到一个大小为
sz/(t^2)
考虑到数据集中图像的大小，这是参数数量的显着减少。此外，小补丁也意味着更大的批次，这也可以加速训练（更好的梯度近似。）。
我希望这会有所帮助。
编辑，关注@ wlnirvana的评论：是的，补丁大小是一个超参数。在我给出的示例中，通过选择t进行设置。考虑到数据集中图像的大小，我会说像t>=6这样的东西是现实的。至于这与背景去除的关系，引用文章（第3.1节）：
“为了减少计算时间，并且将我们的分析重点放在最可能包含癌症转移的载玻片区域 ......”
这意味着他们只选择非背景区域的补丁。这是有道理的，因为将完全白色的补丁传递到网络只会浪费时间（在图1中，如果您随机选择它们而不删除背景，则可以拥有如此多的白色/灰色/无用补丁）。我没有找到关于如何在他们的论文中完成补丁选择的任何解释，但我假设在非背景区域中选择多个像素p_1,...,p_n，并考虑n大小的补丁{ {1}} 围绕每个人都有意义。