我目前正在大学的一个项目上工作，我们正在使用python + tensorflow和keras训练图像对象检测器，以检测拟南芥根系统的不同部分。
我们目前的研究结果非常糟糕，因为目前我们只有大约100张图像来训练模型，但是我们目前正在培育更多的植物以获取更多图像（更多数据）来训练张量流。模型。
我们已经实现了以下Mask_RCNN模型：Github- Mask_RCNN tensorflow 我们正在寻找检测三个对象分类：茎，主根和次生根。 但是该模型在次要根所在的位置错误地检测到主要根。 它应该能够检测到以下内容：Root detection example
训练我们目前正在使用的根数据集：training images
用于训练神经网络准确结果的通常样本量是多少？
答案 0 :(得分：1)
首先，我认为没有简单的规则可以估算样本量，但至少取决于：
1。图片质量
我下载了图像，我认为您需要对其进行预处理，然后才能使用它来减少“问题的复杂性”。在一些我处理生物学数据的项目中，背景去除（图像-低通滤波器）是获得更好结果的关键。但是，您绝对应该删除/裁剪您感兴趣区域之外的区域（例如胶带和尺子）。我将尝试获取尽可能干净的数据集（包括手动调整 cv2 / gimp /等），以使网络集中精力解决“正确的问题”。之后，您可以应用一些随机失真使其也可以用于模糊/不良/真实图像。
2。数据处理方式
有一些技巧可以使您“扩展”数据集。 有时候让生成器方法从您的输入数据中裁剪随机的小补丁非常有用。这样一来，您可以处理更多批次的产品（在小型GPU上），并为您的网络带来更多的“多样性”（请考虑一下conv2d任务：如果不使用随机裁剪，则过滤器会一遍又一遍地滑过相同区域（在同一张图片上）。由于相同的原因：应用随机失真，翻转和旋转图像。
3。网络架构
在您的情况下，我希望使用U-Net架构，其最后的conv2d输出为3个（您的类）特征图，最终的softmax激活和categorical_crossentropy，这使您能够发挥深度，因为有时您会需要复杂的架构来解决问题（接近100％），但是在您的情况下，您只想看到第一个工作结果。因此，更少的层数和简单的体系结构也可以帮助您使工作正常进行。也许有一些经过培训的U-Net网络权重可以满足您的要求（例如，在kaggle上搜索）。因为使用“ 转移学习”也很有帮助（以减少所需的数据）->使用已经训练的网络的第一层（权重）。使用语义分割，第一个过滤器将变得像针对大多数给定问题/图像的边缘检测。
4。您的“准确结果”的心理模型
这是最难的部分。因为它在您的项目过程中不断发展。例如。在您的网络在预处理的输入图像上开始表现良好的同时，您将开始考虑架构/数据更改以使其也适用于模糊图像。这就是为什么您应该从一个可行的问题开始，但始终要改进数据集（包括稀有种类的根）并逐步调整网络架构的原因。