Database 有限数据量的卷积神经网络

我构建了一个用于图像分类的卷积神经网络，它成功地处理了每个类别的大量数据，但我想用特定数据库实现它，每个类别的可用数据量有限（例如，可能是1、2、3）。同一模型的精度将非常低，而不是我使用的数据扩充、批量标准化和退出。如何在可用数据量较低的情况下提高系统精度，是否有专门用于此情况的模型，或对我的系统进行任何其他添加，或编辑我的图像，以获得高度评估精度系统。谁能帮帮我吗，我很困惑。谢谢…

如果您没有使用少量数据进行测试，您应该尝试一下，即使数据量有限，conv net也可以很好地工作，这取决于分类任务的“难度”

对于少量数据，我看到的选项很少：

• 转移学习（从你用大数据库训练的网络中，或者从谷歌或其他大数据库训练的DCNN中，或者从更真实的世界中，因为如果你从你自己的CNN中获取权重，你永远不知道你是否可以用小数据库实现这些性能）

• 如果有一些关于你的分类任务的研究，找出哪些特征是天才们所做的，并加以应用。然后在提取的特征上尝试不同的分类器，如SVM、随机森林等。。。看看目前常用的集成学习和堆叠模型

ps：据我所知，有两种方法可以对图像进行分类。自动特征提取是通过神经网络完成的，而“手动”特征提取是通过对该领域有深入的了解、作为数据科学家和该领域的专业人士来识别的。

---

当你提取了你的特征后，你可以使用不同的分类器，大多数使用conv net提取特征的人都使用他们的神经网络作为分类器

非常感谢你的回答，是的，我现在尝试使用转移学习，我在谷歌上找到了一些使用谷歌或其他大公司训练的网络权重的例子，但我不知道如何在有限的数据库中使用大型数据库上预先训练好的网络的权重。你能帮我吗，我需要这个有限数据库的分类。非常感谢。如果你从你训练的conv网络中获取重量，并冻结所有数据层，那么它将与训练所有数据的cnn完全相同。如果你解冻某个层（例如最后一个完全连接的层），那么这样做并没有什么意义，因为大多数模型仍然是在所有数据上进行训练的。ps：我对深度学习是新手，我不认为我错了，但我可能是。。。别以为这是真的，我希望这是可以理解的。你能告诉我当你有一个大数据集的时候，为什么你要用很少的数据来创建一个CNN吗。。我不明白你的问题。我猜你们的2个数据集是不同的，但我猜你们想对同一类对象进行分类。当您只有一个训练样本时，很难对图像进行分类。你可以看看这个kaggle挑战：他们正在尝试对鲸鱼进行分类，超过70%的目标只有一张图片