PyTorch中Faster-RCNN输入图像Resize计算方法及设计原因问询

整个计算过程完全基于GeneralizedRCNNTransform的两个参数：min_size=800、max_size=1333，步骤如下：

1. 提取原始图像的高h0、宽w0
2. 计算短边缩放比例：min_scale = min_size / min(h0, w0)
3. 按该比例计算初步缩放后的尺寸：h1 = h0 * min_scale，w1 = w0 * min_scale
4. 检查初步缩放后的长边max(h1, w1)是否超过max_size=1333：
   • 若未超过：直接对h1、w1取整得到最终尺寸
   • 若超过：计算长边缩放比例max_scale = max_size / max(h1, w1)，将h1、w1再乘以max_scale后取整得到最终尺寸

对应你的测试用例验证：

• 第一个测试用例原始尺寸(512, 640)：短边为512，min_scale=800/512=1.5625，缩放后得到(800, 1000)，长边1000小于1333，无需二次缩放，最终尺寸就是(800, 1000)
• 第二个测试用例原始尺寸(315, 640)：短边为315，min_scale≈800/315≈2.5397，初步缩放后得到(800, 1625.4)，长边1625.4大于1333，计算max_scale≈1333/1625.4≈0.82，二次缩放后得到(656, 1333)，和你的输出完全一致。

• 平衡检测精度与推理效率：固定短边不小于800可以保证图像有足够的分辨率，避免小目标在缩放中丢失纹理细节，提升小目标的检测能力；同时限制长边不超过1333，可以控制单张图像的显存占用，避免推理速度过慢，兼顾工业落地的实用性。
• 保留原始宽高比：缩放过程中不会对图像做拉伸变形，目标的宽高比例和语义特征不会失真，降低模型的学习难度，也避免预测框出现比例偏移的问题。
• 适配FPN结构特性：Faster RCNN + FPN的架构本身就是为多尺度目标检测设计的，保持宽高比的缩放可以让不同大小的目标自然落到FPN对应感受野的特征层上检测，最大化FPN的多尺度检测优势。

内容的提问来源于stack exchange，提问作者justin_sakong