Question

我正在尝试对像这样的一系列图像进行分类，每类图像都包含来自相似细胞结构的图像：

我在Keras建立了一个简单的网络来实现这一目标，结构如下：

1000 - 10

网络未经改变在MNIST分类上达到非常高（> 90％）的准确度，但在这些类型的图像上几乎从不高于5％。这是因为它们太复杂了吗？我的下一个方法是尝试堆叠深度自动编码器。

Answer 1

说真的 - 我不希望任何非卷积模型能够很好地处理这类数据。

MNIST的非康复网运行良好，因为数据处理得很好（它在中间居中并调整到一定大小）。你的图像不是。
您可能会注意到（在您的照片上）某些图案重新固定 - 比如这个较暗的点 - 具有不同的位置和大小 - 如果您不使用卷积模型，您将无法有效捕获（例如，您将必须认识到一个黑点在图像中移动了一点点作为一个完全不同的对象。）

因此，我认为您应该尝试使用卷积式MNIST模型而不是经典模型，或者只是尝试设计自己的模型。

Answer 2

第一个问题，如果你进行更长时间的训练，你会获得更好的准确度吗？你的训练时间可能不够长。

此外，培训数据的准确性是什么？测试数据的准确性是多少？如果它们都很高，则可以运行更长时间或使用更复杂的模型。如果训练精度优于测试精度，则基本上处于数据极限。（即模型尺寸的蛮力缩放不会有帮助，但可能会有明智的改进，即尝试卷积网）

最后，复杂而嘈杂的数据可能需要大量数据才能进行合理分类。所以你需要很多很多图像。

深层堆叠自动编码器，据我所知它是一种无监督的方法，不直接适用于分类。