输入分辨率对 CNN 精度和成本有什么影响？

简化版

提高输入分辨率能保留更多小目标和纹理细节，但卷积计算与激活显存大致随像素数增长：边长翻倍通常带来约 4 倍空间计算。最优分辨率应按目标尺寸分布、精度收益和真实延迟共同选择，而不是越大越好。

详细版

• 固定网络下，输入从 224² 提到 448²，多数卷积层的 H、W 都翻倍，MACs 与激活约增至 4 倍。

• 高分辨率尤其帮助小目标和细粒度类别，目标本来已占大量像素时收益会饱和。

• 训练时更大分辨率会降低可用 batch size，进而影响 BN 统计与吞吐。

• 预训练与微调分辨率不一致时，需要处理裁剪策略、位置编码或尺度分布偏移。

• 选型要绘制 accuracy-latency-memory Pareto 曲线，并在目标硬件测量。

完整版教学

一、分辨率同时改变信息量与系统成本

下采样会不可逆地丢掉高频细节。

一个原本只有 8×8 像素的目标再经过 32 倍下采样，可能连一个稳定特征单元都占不到。

另一方面，CNN 的每层都要处理更大的特征图，激活读写常成为瓶颈。

因此分辨率不是纯模型参数，而是数据、架构和部署预算的联合变量。

二、底层机制与关键公式

卷积 MACs 近似为 Hout×Wout×Cin×Cout×K²/G。

只改变输入边长且网络步幅不变时，各层 H、W 同比例变化，二次项主导计算。

感受野以像素计可能不变，但占整幅图的比例变小；高分辨率模型有时还需调整下采样位置、空洞率或训练 crop，才能真正利用新增细节。

MACs = Hout * Wout * Cin * Cout * K^2 / G
resolution scale r => spatial MACs approximately r^2
224 -> 320: (320/224)^2 ≈ 2.04

三、带数字的推演

某模型在 224 输入时为 4 GFLOPs、激活峰值 1.2 GB。

粗略估算到 448 时空间成本变为 4 倍，即约 16 GFLOPs 和 4.8 GB；实际值会因固定尺寸分类头和内存复用略有偏差。

四、方案对比与选择

方案/场景	机制或优势	主要代价
低分辨率	吞吐高、显存小	小目标与细纹理易消失
高分辨率	细节和小目标更清楚	计算、显存、延迟上升
多尺度/切片	兼顾局部细节	流水线和合并逻辑更复杂

五、实际执行流程

统计线上目标像素尺寸 -> 选 3~4 个候选分辨率 -> 同配方训练/微调
-> 按大中小目标分桶评估 -> 目标硬件压测 -> 选择 Pareto 点

六、边界条件与工程代价

简单 resize 可能改变长宽比，导致形状失真；letterbox 保持比例但引入填充。

检测框坐标必须按照缩放和 padding 精确反变换。

动态分辨率或大图切片可以节省平均成本，但会引入批处理困难、边界目标截断和结果去重问题，应计入端到端指标。

记忆钩子：抓住“边长 r 倍，空间成本约 r² 倍”，再看目标经过总步幅后还剩多少像素。

七、常见误区与追问

• 误区：分辨率翻倍只让计算翻倍。 高和宽都翻倍，主要卷积的空间计算通常约增至 4 倍。

• 追问：为什么小目标更受益？ 更多输入像素让目标在深层下采样后仍保留可辨特征。

• 误区：参数量也会随分辨率增大 4 倍。 纯卷积/GAP 网络的权重数量通常不随 H、W 改变。

• 追问：如何公平比较多个分辨率？ 控制模型、训练预算和增强，并在相同硬件报告精度、吞吐与显存。

• 追问：高分辨率收益为何会饱和？ 任务所需细节已足够后，新增像素多为冗余或噪声。

八、加强记忆

抓住“边长 r 倍，空间成本约 r² 倍”，再看目标经过总步幅后还剩多少像素。

选型不是报一条总体准确率，而是把小目标收益与延迟、显存、batch 变化放在同一张 Pareto 图上。