我建立了用于图像分类的卷积神经网络，该网络可以成功处理每个类的大量数据，但是我想用特定的数据库来实现它，而每个类的可用数据量有限（例如1、2 3）。代替我使用的数据扩充，批处理规范化和数据丢失，同一模型的准确性将非常低。我如何在可用数据量少的情况下提高系统精度，是否有专门针对这种情况的模型，或者对我的系统进行任何其他添加或对图像进行编辑以获取高度评估的精度系统。谁能帮我，我很困惑。谢谢...
答案 0 :(得分：1)
如果您没有对少量数据进行测试，则应尝试使用conv net，即使在数据量有限的情况下也可以很好地工作，这取决于“艰巨”的分类任务。
我看到的少量选项包含少量数据：
转移学习（从您接受过大型数据库训练的网络中，或者是从更现实的情况出发，从经过Google或其他大型研究人员训练的DCNN中获得，因为如果您从自己的CNN中获得帮助，永远不知道如果只用很小的数据库就可以实现这些性能）
如果对ur分类任务有一些研究，请找出有创意的人可以采用的功能并将其应用。然后在提取的功能（例如SVM，随机森林）上尝试使用不同的分类器...查看目前大量使用的集成学习和堆栈模型
ps：据我所知，有2种方法可以对图像进行分类。通过神经网络完成的自动特征提取和“手动”特征提取可以通过在该领域具有深厚的知识，作为数据科学家和该领域的专业人员来识别。 提取特征后，您可以使用不同的分类器，使用conv net提取特征的大多数人都将其神经网络用作分类器