至少据我所知，减小图像的大小总是有损的，并且由于您丢弃了信息，因此您无法检索原始图像。虽然有降维的解决方案，例如PCA，但它们是线性方法。您想要做什么取决于您的任务，但如果您有分类问题，有一个解决方案。尝试在预定义网络的输入之前使用空间转换器模块，并将该模块的输出发送到您的预定义网络。对于您的网格采样器，您可以将网格的大小设置为$48 * 48$. 有关更多详细信息，请查看此处。

具体来说，网格生成器首先创建一个与输入图像 U 大小相同的归一化网格网格，形状为$(H, W)$，即一组索引$(x^t,y^t)$覆盖整个输入特征图（下标$t$这里代表输出特征图中的目标坐标）。然后，由于我们正在对该网格应用仿射变换并希望使用平移，因此我们继续将一行 1 添加到我们的坐标向量以获得其齐次等价物。这是我们上周也谈到的小技巧。最后，我们重塑我们的 6 参数$θ$到一个$2x3$矩阵并执行以下乘法运算，得到我们想要的参数化采样网格……因为双线性插值是可微的，它非常适合手头的任务。有了输入特征图和我们的参数化采样网格，我们继续进行双线性采样并获得我们的输出特征图$V$形状的$(H’, W’, C’)$. 请注意，这意味着我们可以通过指定采样网格的形状来执行下采样和上采样。（使用那个池！）我们绝对不限于双线性采样，还有其他我们可以使用的采样内核，但重要的一点是它必须是可微的，以允许损失梯度一直流回我们的本地化网络。

据我所知，每个像素都被认为是一个特征，因此减少像素数量肯定会影响特征。您真正的意思是如何在不丢失最重要的特征或最重要的特征模式的情况下减小图像的大小。这很难说，但值得尝试一些实验。

1）双三次插值（ MATLAB 中的imresize执行此操作）

2) 在开始卷积之前添加池化层

3）金字塔池-据我所知，这很好用。这是一个链接

4）如上一个答案中所述，您可以尝试降维，例如线性的 PCA，或者您可以尝试非线性的 t-SNE之类的方法。