关于将预训练卷积神经网络应用于大图像的技术文献求助

我整理了几个和你的需求高度匹配的研究方向及相关文献，都是围绕预训练CNN处理大图像时的分块共享权重策略展开的：

• 基础权重共享思路的迁移与应用

  这类工作的核心逻辑和你提出的“分块提取特征+共享权重聚合”高度契合，能直接为你的方案提供理论和实践参考：

  • 《Aggregated Residual Transformations for Deep Neural Networks》（ResNeXt）：虽然最初聚焦于网络内部的分组卷积权重共享，但它的“分组特征+共享变换”思路可以完美迁移到图像分块场景——你可以把每个图像分块的2048维特征看作一组，用共享的全连接层或注意力模块做统一变换后再聚合，既能大幅降低参数规模，又能保证分块特征的处理一致性。
  • 《Deep Residual Learning for Image Recognition》（ResNet原论文）：论文本身没有直接处理大图像分块，但它的残差结构可以结合共享权重用于分块特征融合。比如用共享的残差模块对N个分块特征做变换后再进行拼接/加权求和，能有效避免分块间特征差异过大导致的性能下降。

• 专门针对大图像的分块共享权重分类方法

  • 《Large Scale Image Classification with MapReduce》：早期针对大图像分类的经典工作，提出了分块提取预训练CNN特征后，用共享的分类器层进行联合分类的方案，核心就是通过权重共享减少计算开销和参数数量，同时保证所有分块特征得到统一的分类逻辑处理。
  • 《Patch-Based Convolutional Neural Networks for Whole Slide Image Classification》：医学图像领域处理超大病理切片的标杆工作，完全采用“预训练CNN提取分块特征+共享权重模块聚合特征+分类”的流程，已经在实际大图像任务中验证了这种策略在降低计算复杂度、提升分类性能上的有效性，和你的需求几乎完全匹配。

• 结合注意力机制的共享权重特征优化

  • 《Squeeze-and-Excitation Networks》：SE模块的权重共享思路可以用于分块特征的自适应融合——给每个分块的2048维特征添加共享的SE模块，让模型自动学习不同分块的重要性权重，既共享了参数降低复杂度，又能自适应地关注对分类更关键的图像区域。

另外，你也可以关注迁移学习中针对大图像的微调策略相关文献，很多这类工作都会提到分块处理时的权重共享技巧，用来平衡计算效率和模型泛化能力。

内容的提问来源于stack exchange，提问作者Alex R.