Computer vision HoG与CNN的比较

我正在研究方向梯度直方图（HoG）和卷积神经网络（CNN）在杂草检测中的比较。我有两个不同杂草的数据集。
CNN的体系结构是三层网络

1） 第一个数据集包含两个类，有18个图像。 使用数据增强（旋转、添加噪波、照明变化）增加数据集

使用CNN，我得到了77%的测试准确率，而使用SVM的HoG测试准确率为78%

2） 第二种是接触两种不同植物的叶子。 每个类包含2500个图像，没有数据扩充。

对于这个数据集，使用CNN，我得到了94%的测试准确率，使用SVM的HoG得到了80%的测试准确率

我的问题是为什么我使用第一个数据集获得更高的HoG精度？CNN应该比HoG好得多

---

我想到的唯一原因是第一个数据集只有18幅图像，与第二个数据集相比，差异更小。对吗

是的，您的直觉是对的，拥有这个小数据集（在数据增强之前只有18张图像）可能会导致性能下降。一般来说，对于CNN，您通常需要至少数千张图像。支持向量机的性能并没有那么差，这是因为正则化（您最有可能使用正则化）和模型的参数数量可能要少得多。有一些方法可以规范化深网，例如，使用第一个数据集，您可能想尝试一下，但我更愿意尝试获取更大的数据集。

我已将第二个数据集的结果更新为80%，而不是60%。这是一个很大的变化。你确定你的其他数字正确吗？尽管如此，答案仍然是正确的，很可能是CNN缺乏规范化导致第一个数据集的性能下降。是的，我检查了其他数字及其正确性。我在CNN架构中添加了辍学，但性能仍然相同。有一点是，训练的准确率是77%，这是相当低的。这种低精度意味着什么？好吧，现在你得到的两种方法的测试精度大致相同，这很可能是你用这几个样本所能得到的最大值。鉴于您的CNN足够复杂，您可以尝试进行更多迭代的训练。也许这会提高你的测试准确度，但我希望它不会。如果您真的对自动化这个分类任务感兴趣，那么您可以做的最好的事情就是收集更多的数据。