Python CNN的验证准确性没有增加

我有大约8200张用于人脸检测任务的图像。其中4800张是人脸。其他3400张图像包含3D人脸面具（由橡胶/乳胶制成）、卡通人脸、猴子脸的图像。我想检测给定的图像是否包含真实的人脸

我已经训练了许多网络，改变了超参数，但每次我的训练准确率都高达98%以上，验证准确率保持在60-70%左右。我已经尝试了包含3-5个Conv层和一个FC层的网络。我使用L2正则化、批处理范数、数据增强和退出来消除过拟合。然后，随着培训的进行，我尝试降低Adam optimizer的学习率。我对网络进行了100多个时代的培训，有时甚至多达200个时代。然而，我能达到的最佳验证准确率（数据集的20%）是71%。是否有办法将验证准确率提高到85%以上？ 我使用了下面的体系结构，输入图像大小为256*256*3，并以16的批量大小对它们进行了训练

regularizer = tf.keras.regularizers.l2(l=0.005)
model = tf.keras.models.Sequential([

    tf.keras.layers.Conv2D(64, (5, 5),strides=(2, 2), activation='relu', input_shape=(256, 256, 3), kernel_regularizer=regularizer),
    tf.keras.layers.MaxPooling2D(2, 2),

    tf.keras.layers.Conv2D(96, (5, 5), padding='same', activation='relu', kernel_regularizer=None),
    tf.keras.layers.MaxPooling2D(2, 2),

    tf.keras.layers.Conv2D(128, (3, 3), padding='same', activation='relu', kernel_regularizer=None),
    tf.keras.layers.MaxPooling2D(2, 2),

    tf.keras.layers.Conv2D(256, (3, 3), padding='same', activation='relu', kernel_regularizer=None),
    tf.keras.layers.MaxPooling2D(2, 2),

    tf.keras.layers.Flatten(),

    #tf.keras.layers.Dense(2048, activation='relu', kernel_regularizer=regularizer),
    tf.keras.layers.Dense(4096, activation='relu', kernel_regularizer=None),
    tf.keras.layers.Dropout(0.4),
    tf.keras.layers.Dense(1, activation='sigmoid', kernel_regularizer=regularizer)
])

• 确保您正在使用所有可用的数据增强形式（缩放、旋转、平移、翻转等）
• 在所有层上使用内核正则化器
• 在所有Conv层之后添加

  SpatialDropout2D

• 在所有Conv和密集层（显然，最后一个密集层/S形层除外）之后添加

  BatchNormalization

• 减少网络的大小（减少层和/或减少每层的过滤器/单元）；您需要尽可能小的网络来学习训练数据

如果所有这些组合都不足以获得良好的验证准确性，那么您可能就是没有足够的数据

---

以下几点提示可能不会减少过度装配，但通常会有所帮助：

• 更喜欢3x3内核conv层的序列，而不是5x5或更大内核的单个conv层
• 用GlobalAveragePooling层替换扁平层，并可能移除除最后一层之外的所有密集层
• 使用stride=2或MaxPooling，而不是两者都使用

---

您可能没有足够大的数据集。8200张图片不是一吨重，如果你没有足够的图片来学习任务的一般表示，你将有过度拟合。试着在你的图像上使用变换来增加你的有效样本数。我试过像旋转、水平翻转和改变亮度这样的增强。这没什么帮助。辍学和空间辍学有什么区别吗？@saankyamondal-See。本质上，它删除了整个“过滤器”，而不是单个元素。