如何将不同尺寸的图像输入CNN？

Question

我有一个灰度图像数据集，我想在卷积神经网络中使用它来进行预测。 这些图像的尺寸范围很广，出于多种原因，我不想调整它们的大小、填充或裁剪它们以获得相同的形状。 从CNN的结构来看，解决方案是添加一个GlobalMaxPooling2D或GlobalAveragePooling层作为 CNN 提取部分的最后一步，为了每个特征图获得一个神经元，因此一维数组仅 取决于滤波器的数量（即与输入图像的大小无关）。 此外，CNN 的第一层应具有输入：“input_shape=(None,None,1)”，并且 model.fit 应使用“batch size=1”。

这很好，但我不知道如何向 CNN 提供不同大小的图像，因为我无法将它们堆叠到单个数组结构中。 我尝试将每个单独的图像放入数组列表中，或者放入具有 dtype= 对象格式的 numpy 数组中，但当我运行“model.fit”命令时总是出现错误。根据我使用的输入类型，我会收到如下错误：“确保所有数组包含相同数量的样本”或“无法将 NumPy 数组转换为张量（不支持的对象类型 numpy.ndarray）”或“ValueError：数据”基数不明确：x 大小：235 y 大小：50000 确保所有数组包含相同数量的样本。'）。 我还使用 y_train 作为一维列表或作为 numpy 数组，或作为分类变量，但它没有帮助。

我已经多次看到此类问题，但我从未见过一些代码显示如何“真实地”向 CNN 提供非均匀图像。 有什么想法吗？

我使用的基本代码如下（keras with tensorflow）

from keras.models import Sequential
from keras.layers import Dense, Conv2D, Flatten, MaxPooling2D, GlobalMaxPooling2D

model = Sequential() 
model.add(Conv2D(10, kernel_size=(7,7), padding='same', strides=(1,1), activation='relu', input_shape=(None,None,1))
model.add(MaxPooling2D(pool_size=(2,2), strides=(2,2)))
model.add(Conv2D(10, kernel_size=(5,5), padding='same', activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2),strides=(2,2)))
model.add(Conv2D(10, kernel_size=(3,3), padding='same', activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2),strides=(2,2)))
model.add(GlobalMaxPooling2D(None,10))
model.add(Flatten())
model.add(Dense(3,activation='softmax')) 

：

model.fit(x=x_train, y=y_train, validation_data=(x_val, y_val), batch_size=1, epochs=10)