我有一个 RGB 卫星数据的大型数据集，将 64x64 像素图像（每像素空间分辨率为 10m）分为 10 个类别（例如高速公路、工业、河流、森林）。现在我想在上面训练一个模型（例如使用带有 fast.ai 的 resnet34）。到目前为止，我的模型在测试数据上的错误率为 4%。
现在我想对一个看不见的大场景进行分类。我的方法是迭代新图像并创建 nxn 像素子图像，这些子图像被分类并从分类的 nxn 图像中创建拼接的 10 色图像。
从视觉的角度来看，我得到了很好的结果，大约 n=32。在此之下，预测是错误的。我假设低于该标记的模型无法识别块中的形状。
作为数据科学的新手，我的问题是：
- 考虑到模型是在 n=64 图像上训练的，对 n<64 的块进行分类是否合法？
- 有没有办法使用基于每个像素（即 n = 1）的数据集构建的模型对我看不见的图片进行分类，还是我必须找到不同的数据集/创建自己的数据集？