我正在开发用于图像图像分类的卷积神经网络（CNN）。
可供我使用的数据集相对较小（对于训练集和测试集，大约有35k张图像）。数据集中的每个图像大小均不同。最小的图像是30 x 77，最大的图像是1575 x5959。
我看到了这个post关于如何处理大小不同的图像的信息。该帖子标识了以下用于处理不同大小图像的方法。
“压扁”图像，这意味着它们将被调整大小以适合特定尺寸，而无需保持宽高比
将图像中心裁剪为特定尺寸。
这些似乎是合理的建议，但是我不确定哪种方法最适合我的情况，即图像的大小有重要差异。我当时认为调整图像大小但保持相同的宽高比（每个图像具有相同的高度），然后对这些图像进行中心裁剪对我来说很有意义。
其他人有什么想法吗？
答案 0 :(得分：4)
第一件事是：调整大小会降低图像质量吗？
尽管图像尺寸大，但图像中所需的元素是否都合理地处于相同的比例？
当然，您可以使用模型来识别各种大小的元素，但是差异越大，模型的功能就越强大（我相信这句话很合理）
Keras为您提供了使用不同图像尺寸的可能性（您实际上并不需要它们具有相同的尺寸）。
为此，您只需要指定input_shape=(None,None,input_channels)。
请注意，如果要创建和合并分支，则需要注意兼容性。
但是，随着形状的变化，您将无法使用Flatten层。您将需要GlobalMaxPooling2D或GlobalAveragePooling2D。其他一些层也被限制为固定大小，但是卷积层，池化层和上采样层都是可以的。
困难的部分是您不能在单个numpy数组中放置不同的大小。然后，您可以：
但是最好的答案取决于您的测试。