Question

我创建了一个简单的CNN，以区分5种不同的花朵。我想扩展CNN以识别更多对象。例如，我希望CNN能够识别一杯啤酒，窗户，树木等的图像。下面是我对花进行分类的代码，它的效果很好。但是如何扩展它并使其识别越来越多的对象。我不想使用任何预先训练的模型。我希望它学习对更多对象进行分类。请帮忙。

from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Convolution2D, MaxPooling2D, Flatten, Dense
classifier=Sequential()
#1st Convolution Layer
classifier.add(Convolution2D(32, 3, 3, input_shape=(64,64,3),activation="relu"))
#Pooling
classifier.add(MaxPooling2D(pool_size = (2, 2)))

# Adding a second convolutional layer
classifier.add(Convolution2D(32, 3, 3, activation = 'relu'))

classifier.add(MaxPooling2D(pool_size = (2, 2)))

# Flattening
classifier.add(Flatten())

classifier.add(Dense(output_dim = 128, activation = 'relu'))

classifier.add(Dense(output_dim = 64, activation = 'relu'))

classifier.add(Dense(output_dim = 5, activation = 'softmax'))

classifier.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'])
print(classifier.summary())

train_datagen = ImageDataGenerator(rescale = 1./255,
                                   shear_range = 0.2,
                                   zoom_range = 0.2,
                                   horizontal_flip = True)

test_datagen = ImageDataGenerator(rescale = 1./255)

training_set= train_datagen.flow_from_directory('flowers/train_set',
                                                target_size=(64,64),
                                                batch_size=32,
                                                class_mode='categorical')


test_set= test_datagen.flow_from_directory('flowers/test_set',
                                                target_size=(64,64),
                                                batch_size=32,
                                                class_mode='categorical')

classifier.fit_generator(training_set,
                         samples_per_epoch = 3000,
                         nb_epoch = 25,
                         validation_data = test_set,
                         nb_val_samples=1000)

Answer 1

好吧，您正在做的事情叫做转移学习（微调），让我举一个例子：Imganet是世界上最大的视觉识别图像数据库，它包含来自动物，汽车等线轴世界对象的1000个类...，原始的神经网络（例如VGG16，Inception Net）经过训练，可以根据此数据集重新识别每个对象。假设您有一个非常小的数据集（例如1000张图像），并且想要将其分类为3个类，但是由于图像站点太小，您的网络失败了，您选择了VGG16或Inception Net切下了最后一个。

classifier.add(Dense(output_dim = 1000, activation = 'softmax'))
classifier.add(Dense(output_dim = 3, activation = 'softmax'))

，然后重新训练最后一层，因此在松散的密集层上进行了决策或分类，其大小定义了要将每个输入分类到多少个分类。

Answer 2

如果您想使用自己的模型而不是微调像Vgg或inception这样的预训练模型，例如，您应该阅读本文：

iCaRL an incremnetal network (paper)

当然，您必须更改算法和代码。我找到了这个github仓库，显然他们已经实现了：Github repo for iCaRL in tensorflow

但是您必须使用tensorflow。查看它以了解如何在您的模型中使用它（如果可能的话，我今天才找到本文和此仓库，因此我还没有对其进行研究。）

您要问的仍然是研究领域，因此还没有广泛或通用的技术。就像我在评论中说的那样，搜索关键字“ incremental learning”，关于这个主题还有其他论文。（请参阅iCaRL论文的相关工作会议，该主题的所有主要技术和论文都得到了很好的总结！）

另外，请注意，添加与以前的数据集（以花朵+啤酒或窗口的示例为例）非常不同的对象，应该会大大降低准确性。您将需要训练更长的时间才能获得更好的准确性（但是您的准确性可能从未像以前那样提高）

如何扩展CNN以识别更多对象？

2 个答案: