我有多个关于同一主题的图像数据集，我想将它们用于利用深度学习的分类任务。数据集的图像分辨率不同（即有些图片是 128x128px，有些是 512x512，有些是 2048x2048）。
如果我使用具有最高分辨率的数据集来训练我的直觉，我的直觉会是，由于网络会学习它在低分辨率图片中可能无法识别的模式，因此对分辨率较低的图像进行分类会更加困难。另一方面，如果我使用低分辨率数据集进行训练，学习的模式会更加粗糙，并且它在任何新数据上的表现都更好，因为更高分辨率的图像可以很容易地按比例缩小。我的直觉是正确的还是我错过了什么？在我的情况下，选择合适的训练数据的最佳方法是什么？
答案可能取决于您想从图像中提取什么样的信息。然而，解决这个问题的一般方法是找到一个完美的平衡，这样你的图像就不会太小而难以提取太多信息，或者它不是高分辨率输入，这会使你的模型不必要地复杂化。后者在空间复杂度和时间复杂度方面也很难训练。
因此，如果您的目标不是识别和分类图像中的微小物体，或者类似的详细而复杂的任务，那么您可以使用小尺寸的图像。
拥有良好的架构和训练有素的模型可以确保您获得强大的成果。考虑到计算机视觉和图像处理领域中大多数著名且功能强大的 NN 模型都使用 96x96、128x128、224x224、256x256 等输入尺寸。也许我这样说太过分了，但是，好的挑战将是构建一个具有小像素尺寸（例如 224x224 或接近此尺寸）的强大模型，因为在这种情况下，模型的可用性和有用性将被放大。正如您还提到的，高质量的图像可以缩小到低比例，但不可能放大小尺寸的图像（至少，没有人工智能的帮助）。由于您的模型相当小，它将处理所有可用图像中的许多（以及检测或分类裁剪图像、图像中的小对象等）。可以被认为是输入大小较小的另一个原因）。因此，如果您使用大像素尺寸构建模型，还需要高质量的图像才能工作，不会接受低质量的图像。考虑到即使是 64x64 图像，google vision API 也能很好地工作。
简而言之，如果您的目标不寻常，并且不需要高分辨率图像来处理图像中的小尺寸对象，那么请使用小尺寸图像。在良好架构的卷积层的帮助下，您可以从这些小图像中提取大量信息，并在下一层处理。此外，考虑到即使输入图像大小的微小变化也可能会极大地影响训练时间。