是出于某种原因还是只是计算约束，224x224提供了更好的精度？我认为更大的图景应该提供更好的准确性，不是吗？
更大的图像包含更多信息，这些信息可能是相关的，也可能是不相关的。输入的大小很重要，因为输入越大，网络必须处理的参数就越多。更多的参数可能会导致几个问题，首先你需要更多的计算能力。然后，您可能需要更多数据进行训练，因为大量参数和没有足够的样本可能会导致过度拟合，尤其是 CNN。选择AlexNet的224也允许他们应用一些数据增强。
例如，如果你有一个 512x512 的图像，并且你想在那里识别一个对象，最好将其重新采样为 256x256 并获得 224x224 或 200x200 的较小斑块，进行一些数据增强，然后进行训练。您还可以使用 400x400 的补丁，还可以进行数据增强和训练，前提是您有足够的数据。
不要忘记进行交叉验证，以便检查是否存在过度拟合。