已经有用于视频的卷积网络$224 \times 224 \times 10$ (1)，所以是的，它是可能的。

我强烈建议尽可能减少图像大小，同时在开始时使用非全连接层，减少优化问题的维数。

您可以尝试的另一种方法是使用滑动窗口而不是整个图像作为输入。通过这种方式，您可以获取任何预训练 ImageNet 网络的第一层的特征，这将显着减少您的训练时间。如果您使用的是 Torch7，您可以在此处(2)找到它们。

在这两种情况下，为了训练这样的卷积网络，您将需要大量的计算能力和（一些）非常好的 GPU。

原则上，您可以处理多大输入大小的唯一限制因素是 GPU 上的内存量。当然，更大的输入大小将需要更长的时间来处理。

EfficientNet在其最大设置中使用 600x600 像素的图像大小，以及分别执行对象检测和语义分割的Feature Pyramid Networks for Object Detection和Mask R-CNN，调整输入图像的大小，使其比例（短边）为 800像素。

输入大小、网络深度（层数）和网络宽度（一层中特征图的数量）之间存在一个有趣的权衡，这就是为什么您通常只使用中等大小的输入大小的原因。在EfficientNet中分析和利用了这些参数之间的最佳平衡，从而产生了一系列新的卷积神经网络 (CNN)，其图像分类性能优于以前的 CNN（见图）。