Python 训练上面有文字的图像的最佳方法是什么？

我有一个问题，我有一些文字写在图像上。 图像和文本都很重要。
我的尝试：
我采用了VGG16型号的功能
我使用OCR提取文本，然后使用bert提取文本部分的特征。
将这些特征组合起来，形成一个大的特征矩阵。
我使用不同的ml/深度学习技术对他们进行了培训，但无法达到准确度。我的准确率不超过45%。
我需要建议我能做些什么来提高准确性。我需要更多的替代方法。

---

谢谢

你想预测什么？有多少输出类，因为它可以改变方法！！我试着预测图像是否是非常正面的，正面的，中性的，负面的，非常负面的。图像由一些写在图像上的面和文本组成。这两个都是对我有用的信息。