HSV图像可以用于CNN训练吗

Question

我目前正在研究 fingers-count 深度学习问题。当您查看数据集时，训练和验证集中的图像非常基本并且几乎相同。该网络可以实现很高的训练和验证精度。但是当涉及到现实生活图像中的预测时，它的表现非常糟糕（这是因为模型已经在非常基础的图像上进行了训练）。

为了克服这个问题，我将训练和验证图像转换为 HSV（Hue-Saturation-Value）并在新的 HSV 图像上训练模型。来自新训练集的 1 个此类图像的示例是：

然后我将我的图像从现实生活中转换为 HSV 并将其传递给模型进行预测。但是，该模型仍然无法正确预测。我假设由于应用 HSV 后训练图像和预测图像几乎相同，模型应该预测良好。我在这里有什么不正确的想法吗？ HSV图像真的可以用于训练CNN吗？

Answer 1

看来你有过拟合的问题，你的模型只记住了训练集的简单样本，相比之下，它不能推广到更复杂和多样化的数据。

在深度学习的背景下，有多种方法可以避免过度拟合，我认为您不一定需要将输入转换为 HSV。首先，您可以应用各种数据增强方法（如随机裁剪或旋转）来创建各种版本的数据。如果此方法不起作用，您可以使用较小的模型或应用诸如Drop Out 或正则化 之类的技术。 这是来自 TensorFlow 的一个很好的教程。