对具有不同类别的非常相似特征的图像进行分类

Question

我有一个数据集，在其中需要对某些标记图像进行分类。当前，这是由人类专家完成的，因此可用的数据集质量很好。图像具有一些非常相似的功能。

举个例子，我们可以假设苹果或西红柿的腐烂程度被分为非常低，低，中，高和非常高（5个类别），并且在相邻的类别对中存在非常相似的图像即（非常低和低，低和中，中和高，高和非常高）

有没有办法克服这个问题？

似乎有挑战性，因为相邻类之间的区分非常复杂且令人困惑，因为一个以上类中存在非常相似的图像。

Answer 1

我建议您仅使用一个得分值（例如0.0〜1.0）作为“烂得分”，并根据烂得分结果对值进行分箱。

例如： 0.0〜0.2：极低腐烂 0.2〜0.4：低腐烂 0.4〜0.6：中度腐烂 0.6〜0.8：高腐烂 0.8〜1.0：非常高的腐烂

Answer 2

CNN正在学习琐碎的功能，而FC层正在深入研究。在这种情况下，您需要添加更深的层以提高准确性

Answer 3

视觉相似性不一定是问题。一般而言，如果人类无法分类，那么CNN也可能会失败。作为困难的粗略指示，您可以要求朋友对一些困难的样本进行分类，如果她（或您自己）在挣扎，这实际上是不可能的。我不认为您显示的示例非常困难，但是我可以看到人类也很难很好地分离类，并且查看数据及其标签可能会发现这一点。

Answer 4

您可以使用卷积神经网络轻松完成此操作。
使用一些 Conv2D 块从图像中提取特征，然后在最后使用完全连接的 Dense 层。
由于您有 5 个类别要预测，因此最后一层的 softmax 激活函数就足够了。
并通过除以 255.0 对图像像素值进行归一化，以更快地训练。
并且标签应该是整数编码的。

model = Sequential()
model.add(Conv2D(32,(3,3),activation='relu',padding='same'))
model.add(Conv2D(32,(3,3),activation='relu',padding='same'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(64,(3,3),activation='relu',padding='same'))
model.add(Conv2D(64,(3,3),activation='relu',padding='same'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Flatten())
model.add(Dropout(0.15))
model.add(Dense(100, activation='relu'))
model.add(Dropout(0.15))
model.add(Dense(50,activation='relu'))
model.add(Dense(5,activation='softmax'))

然后用sparse_categorical_crossentropy损失函数编译模型

model.compile(optimizer=Adam(0.001),
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

尝试使用学习率或模型超参数进行试验以获得良好的结果