Question

我在马克·鲁法洛（Mark Ruffalo）的图像（裁剪面孔）上训练了CNN。对于我的正面课，我有大约200张图像，对于负数据点，我已经采样了200个随机面。

该型号具有高召回率但精度非常低。我怎么能提高精度呢？我也受到我所拥有的正面图像数量的限制。我准备在这次权衡中妥协回忆。

我尝试增加负面样本的数量，但这引入了一种偏见，模型开始将所有内容归类为负面以获得局部最优。

我的CNN基于过度使用：

local features = nn.Sequential()

features:add(nn.SpatialConvolutionMM(3, 96, 11, 11))
features:add(nn.ReLU())
features:add(nn.SpatialMaxPooling(2, 2, 2, 2))

features:add(nn.SpatialConvolutionMM(96, 256, 5, 5))
features:add(nn.ReLU())
features:add(nn.SpatialMaxPooling(2, 2, 2, 2))

features:add(nn.SpatialConvolutionMM(256, 512, 3, 3))
features:add(nn.ReLU())
features:add(nn.SpatialMaxPooling(2, 2, 2, 2))

-- 24x24x512
features:add(nn.SpatialConvolutionMM(512, 1024, 3, 3))
features:add(nn.ReLU())
features:add(nn.SpatialMaxPooling(2, 2, 2, 2))

--11x11x1024
features:add(nn.SpatialConvolutionMM(1024, 1024, 3, 3))
features:add(nn.ReLU())
features:add(nn.SpatialMaxPooling(2, 2, 2, 2))

-- 1.3. Create Classifier (fully connected layers)
local classifier = nn.Sequential()
classifier:add(nn.View(1024*4*4))
classifier:add(nn.Dropout(0.5))
classifier:add(nn.Linear(1024*4*4, 3072))
classifier:add(nn.Threshold(0, 1e-6))

classifier:add(nn.Dropout(0.5))
classifier:add(nn.Linear(3072, 4096))
classifier:add(nn.Threshold(0, 1e-6))

classifier:add(nn.Linear(4096, noutputs))




model = nn.Sequential():add(features):add(classifier)

请帮助

Answer 1

尝试使用CNN的原始输出而不是取输出节点的sign（）（因为它是正负类，我假设在[-1,1]范围内只有一个输出）。

例如，对于一个样本，输出可以是[0.9]，表示应该选择正类。但是如果你使用这个值，你可以找到一个特定的threshold值，希望，它可以为你提供所需的精度。换句话说，如果您发现实际上应该选择大于[-0.35]的任何内容作为正类，因为它会给您更好的精确度，那么-0.35应该是您的threshold值。

这是ROC analysis派上用场的地方。

如果有帮助，请告诉我。

面部识别的误报

1 个答案: