基于双线性插值和池化的尺度可变网络

目前基本上基于卷积神经网络的网络模型,其输入都是固定尺寸的图片。当我们希望检测或识别的图片大小不一时,有两种解决办法:一是从原始图像中剪裁一部分传入网络,或者将图像缩放成需要的大小然后传入网络。这必然会导致图片信息的丢失和变形,影响图像识别和目标检测精确度。本文利用可变尺度池化和双线性插值的思想提出了尺度可变网络,使得网络支持不同尺寸的输入。在CompCars细粒度车型分类任务中,应用可变尺度网络后,不同尺寸下分类准确度平均提升5%。