选择卷积神经网络的训练和验证集对测试精度有很大影响

Question

我正在使用德国交通标志检测基准数据库进行交通标志识别工作。这有43个班级，每个班级至少有400个图像。图像最多可能有3个交通标志。

当我随机选择图像进行训练和验证时，我的网络测试准确度会有很大差异。我构建了两个数据集：一个具有75％的训练图像和25％的验证图像;另一方有70％的训练图像和30％的验证图像。

我正在使用具有相同超参数的GoogLeNet进行训练，包括30个时期。

训练结束后，我使用一组专为测试而设计的图像进行测试。使用第一个数据集，我的准确度比第二个数据集低近10％。有人可以解释一下吗？

可能是随机选择＆＃34;更容易＆＃34;培训的图像，这就是为什么我得到的结果较低？

P.S。对于这两个数据集我使用相同的图像，只是按百分比不同地划分。

指向数据集的链接：

Answer 1

你有多少种标志？知道GoogLeNet在这个数据集上运行良好吗？请记住，GoogLeNet专为在ILSVRC 2012数据集上表现良好而设计：近130万个训练图像，1000个课程。它扩展到数百个并行内核，为该问题提供了很大的灵活性。

如果你有一个小得多的问题 - 比如少数几个类别的900张图片 - 那么GoogLeNet的数量可能很容易超出你的应用程序。例如，请注意，1000个参数的最终完全连接层不仅仅需要单独识别训练集中的每个图像。 128-200 +过滤器的中间层将发现各种虚假特征，例如六个速度区标志周围的绿化模式。

另外，请记住，GoogLeNet是为了识别输入图像中的单个数字而构建的：交通标志数据库可能在图像中最多有6个符号。这也会使您的训练混乱，具体取决于您如何对多重图像进行分类。

如果您认为此任务需要GoogLeNet复杂性，我建议您减少图层的宽度。例如，在ILSVRC历史表明您的模型学会识别面部特征，车辆部件和花瓣的情况下，道路标志在其视觉元素中受到更多限制。因此，尽管您可能希望第一层（边缘和区域检测）保持饱满，但在中间层中不需要这么多过滤器。

不，我不能给你一个可靠的起点：我没有完成将模型调整到问题所需的几个月的实验。如果你想看一个极端的例子，可以按照建议的迭代次数训练GoogLeNet，但是将它输入MNIST数据库。更好的是，给它文本处理器的井字位置屏幕截图，分类为“赢”，“平局”和“输”。