cifar-10图像插值方法对训练模型结果的影响

有的时候我们为了使用比较深的神经网络训练cifar-10数据集。
这时，就不得不对resolution=32*32 的图像进行放大。来适应更深的 neutral network。
图像放大主要方法是差值。常用方法包括：线性插值，双线性插值，双三次插值。

---

本文就几种常用的插值方法讨论他们对神经网络训练的结果的影响。以图像检索为例。

1、单纯比较几种方法性能优劣

method	计算量	插值结果
nearest	最少	没考虑其他相邻像素点的影响，因而重新采样后灰度值有明显的不连续性，图像质量损失较大，马赛克和锯齿现象
bilinear	中等	考虑临近4个点，不会出现像素值不连续的的情况，由于双线性插值具有低通滤波器的性质，使高频分量受损，所以可能会使图像轮廓在一定程度上变得模糊
bicubic	最大	考虑周围16个点，插值放大后损失最小，计算量大

2、用插值后的数据训练。

将原图【32*32】放大了49倍的结果进行训练 resize之后【224*224】。调优模型VGG_F model，在cifar-10上取得的mAP。见下表。注：表中的loss项绝对值没有意义，主要是看相对值。

cifar-10	nearest	bilinear	bicubic
mAP	0.8300	0.8398	0.8478
loss	0.466048	0.452017	0.448742

-注：训练集50000，测试集10000。训练epoch=150

cifar-10	nearest	bilinear	bicubic
mAP		0.8614	0.8802

-注：查询集59000，测试集：1000

3、在loss中加入softmax损失，如何影响结果？

cifar-10	epoch=80	epoch=90	epoch=110	epoch=150
mAP	0.8480	0.8500	0.8549	0.8560

-注：训练集50000，测试集10000。训练采用bilinear插值法。

4、小结

通过对比试验，可以看到，差值算法选取不同，训练的结果也随之受到一定的影响：

1	从训练结果来看，总体而言，nearest < bilinear < bicubic
2	从训练集的数量来看，trainSet=5000 image(mAP ~ 0.71) << trainSet=50000 (mAP ~ 0.84)
3	从loss中加入softmax对结果影响来看，softmax能有效的加快网络的收敛，同时能一定程度的提高网络精度

过两天贴出测试代码以及流程。敬请关注