Question

我正在尝试使用CNN + LSTM实现暴力识别器，但是当我训练模型时，它在各个时期产生的准确性与下图相同，在20个时期中达到了55％Right here 数据包含来自曲棍球数据集的100个视频暴力/非暴力视频，并通过裁剪黑帧，缩放的像素值[0至1]进行了预处理，并进行了归一化处理，其中均值为零，且标准差相同。输入形状为（100、20、160、160、3），分别是视频数，每个视频的帧数，帧高，帧宽和RGB通道。并将代表两个数组[0 1]或[1 0]的向量的形状（100,2）的标签张量作为浮点数提供给模型模型代码

def CNN_LSTM():

input_shapes=(NUMBER_OF_FRAMES,IMAGE_SIZE,IMAGE_SIZE,3)
np.random.seed(1234)
vg19 = tensorflow.keras.applications.vgg19.VGG19 
base_model=vg19(include_top=False,weights='imagenet',input_shape=(IMAGE_SIZE, IMAGE_SIZE,3))
for layer in base_model.layers:
    layer.trainable = True

cnn = TimeDistributed(base_model,  input_shape=(NUMBER_OF_FRAMES, IMAGE_SIZE, IMAGE_SIZE, 3))


model = Sequential()
model.add(Input(shape=(NUMBER_OF_FRAMES, IMAGE_SIZE, IMAGE_SIZE, IMAGE_CHANNELS)))
model.add(cnn)
model.add(TimeDistributed(Flatten()))


model.add(LSTM(NUMBER_OF_FRAMES , return_sequences= True))
model.add(BatchNormalization())
model.add(TimeDistributed(Dense(90)))
model.add(BatchNormalization())
model.add(GlobalAveragePooling1D())
model.add(BatchNormalization())
model.add(Dense(512, activation='relu'))
model.add(BatchNormalization())
model.add(Dense(2, activation="sigmoid"))

adam = Adam(lr=0.01)


model.compile(loss='binary_crossentropy', optimizer=adam, metrics=["accuracy"])

return model

x = CNN_LSTM()
x.summary()
history = x.fit(fvideo,flabels, batch_size=10, epochs=15)`

如何解决相同精度的问题？预先感谢

在使用CNN + LSTM识别暴力方面，培训准确性并未提高

0 个答案: