Machine learning 基于卷积神经网络的图像分类
我正在尝试使用卷积神经网络对酒店图像数据进行分类 以下是一些亮点:Machine learning 基于卷积神经网络的图像分类,machine-learning,deep-learning,conv-neural-network,lasagne,python-nolearn,Machine Learning,Deep Learning,Conv Neural Network,Lasagne,Python Nolearn,我正在尝试使用卷积神经网络对酒店图像数据进行分类 以下是一些亮点: 图像预处理: 转换为灰度 将所有图像调整为相同分辨率 标准化图像数据 寻找主成分分析 卷积神经网络: 输入-32*32 卷积-16个滤波器,3*3个滤波器尺寸 池-2*2筛选器大小 辍学-以0.5的概率辍学 完全连接-256个单元 辍学-以0.5的概率辍学 产出-8类 使用的图书馆: 千层面 诺兰 但是,我对测试数据的准确率越来越低,只有28%左右 有没有任何可能的原因导致精确度降低?有什么改进建议吗 提前感谢。测试
- 转换为灰度
- 将所有图像调整为相同分辨率
- 标准化图像数据
- 寻找主成分分析
- 输入-32*32
- 卷积-16个滤波器,3*3个滤波器尺寸
- 池-2*2筛选器大小
- 辍学-以0.5的概率辍学
- 完全连接-256个单元
- 辍学-以0.5的概率辍学
- 产出-8类
- 千层面
- 诺兰
提前感谢。测试数据准确性低可能有几个原因,因此如果没有更多的信息和大量的实验,就不可能提供具体的答案。话虽如此,有几点值得一提:
2012年Imagenet之后,所有性能良好的卷积神经网络(最新技术)都在添加更多的卷积神经网络,它们甚至使用零填充来增加卷积神经网络
- 增加卷积神经网络的数目
- 您应该降低退出值,您应该尝试它(可能是0.2)李>
- 您应该使用数据扩充技术
- 你陷入了数据不平衡的问题。但你现在不应该考虑它。
- 应该考虑VGG网络或其他CNN的微调
我认为你从一些教程(MNIST)中学习了CNN,你认为应该将其转换为灰度。为什么pca在你的管道中?你是如何在pca上应用conv网络的,pca返回一个“平面”向量表示?你似乎也在使用一个特定的架构,为什么你认为它足够好?在神经网络中有如此多的移动块,因此提出一个好的体系结构本身就是一个研究问题。我建议您从一些好的cifar10体系结构开始,这些体系结构比这个体系结构复杂得多(几层、更大的池、更多的内核等等)