使用卷积神经网络进行图像分类

Question

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：

1. 图像预处理：

   • 转换为灰度
   • 将所有图像调整为相同分辨率
   • 规范化图像数据
   • 查找pca组件

2. 卷积神经网络：

   • 输入 - 32 * 32
   • 卷积 - 16个滤镜，3 * 3滤镜尺寸
   • 合并 - 2 * 2过滤器尺寸
   • 以0.5概率丢弃
   • 完全连接 - 256个单位
   • 以0.5概率丢弃
   • 输出 - 8个班级

3. 使用的图书馆：

   • 千层面
   • nolearn

但是，我对测试数据的准确率降低了，仅为28％左右。

准确度如此不准确的任何可能原因？有任何建议的改进吗？

提前致谢。

Answer 1

测试数据的准确性低有几个可能的原因，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，还有几点值得一提：

1. 正如评论中提到的@lejlot，PCA预处理步骤是可疑的。基本的CNN架构旨在实现最少的预处理，并且图像的基本结构保持完整是至关重要的。这是因为CNN需要能够找到有用的空间局部特征。
2. 为了从图像数据中检测复杂对象，您可能会从更多卷积层中受益。鉴于您所描述的简单架构，它很可能无法具备处理分类任务所必需的表现力。
3. 另外，您提到在卷积层之后应用dropout。总的来说，我所看到的研究表明，辍学在卷积层上并不是特别有效。我个人会建议删除它，看看它是否有任何影响。如果你最终需要在卷积层上进行正则化（根据我的经验，这通常是不必要的，因为共享内核通常已经充当强大的正则化器），你可以考虑stochastic pooling。
4. 我能提供的最重要的提示是建立一个可靠的机制来测量模型的质量，然后进行实验。尝试修改体系结构，然后调整超参数以查看产生最佳结果的结果。特别是，确保监控培训损失与验证损失，以便您可以确定模型何时开始过度拟合。

Answer 2

在2012年Imagenet之后，所有表现良好（现有技术）的卷积神经网络都在增加更多的卷积神经网络，他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量。

有人说辍学在CNN上并没有那么有效，但使用它并不坏，但是

• 你应该降低辍学值，你应该尝试（可能是0.2）。

应分析数据。如果它很低，

• 您应该使用数据增强技术。

如果其中一个标签中有更多数据，

• 您遇到了不平衡的数据问题。但你现在不应该考虑它。

你可以

• 应该考虑VGG-Net或其他一些CNN的微调。

另外，不要转换为灰度，在图像到数组的转换之后，你应该只划分225。

我认为你从一些教程（MNIST）学习CNN，你认为你应该把它变成灰度。