Czy ten obraz jest zbyt złożony dla płytkiego klasyfikatora NN?

Question

próbuję sklasyfikować serię obrazów takich jak ten, z każdej klasy zawierających zdjęć wykonanych z podobnej strukturze komórkowej:

I został zbudowany prostą sieć w Keras Aby to zrobić, zorganizowany jako:

1000 - 10 

sieci niezmienione Dokonuje bardzo wysoki (> 90%) na dokładność klasyfikacji MNIST, ale prawie nigdy nie jest wyższa niż 5% tych typów obrazów. Czy to dlatego, że są zbyt skomplikowane? Moim następnym podejściem byłoby wypróbowanie złożonych głębokich autododerów.

Answer 1

Pierwsze pytanie, czy w przypadku dłuższego szkolenia otrzymasz lepszą dokładność? Być może nie ćwiczyłeś wystarczająco długo.

Co to jest dokładność danych treningowych i jaka jest dokładność danych testowych? Jeśli oba są wysokie, możesz pracować dłużej lub użyć bardziej złożonego modelu. Jeśli dokładność treningu jest lepsza niż dokładność testu, w gruncie rzeczy przekraczasz granice swoich danych. (np. brutalne wymuszanie skalowania rozmiaru modelu nie pomoże, ale sprytne ulepszenia mogą, np. sprowokować sieci splotowe)

Wreszcie, skomplikowane i głośne dane mogą wymagać dużej ilości danych, aby dokonać odpowiedniej klasyfikacji. Potrzebujesz więc wielu, wielu obrazów.

Głęboko ułożone autoenodody, jak rozumiem, to metoda bez nadzoru, która nie nadaje się bezpośrednio do klasyfikacji.

Answer 2

Poważnie - nie spodziewam się, aby jakikolwiek niezwiązany ze sobą model działał dobrze na tego typu danych.

1. Siatka nonconv dla MNIST działa dobrze, ponieważ dane są dobrze wstępnie przetworzone (jest skupione w środku i przeskalowane do określonej wielkości). Twoje obrazy nie są.

2. Możesz zauważyć (na twoich zdjęciach), że pewne motywy powracają - jak te ciemniejsze kropki - w różnych pozycjach i rozmiarach - jeśli nie użyjesz modelu splotowego, nie będziesz go przechwytywał tak skutecznie (np. Będziesz musiał rozpoznać ciemna kropka przesunęła się trochę na obrazie jako zupełnie inny obiekt).

Z tego powodu uważam, że powinieneś spróbować splotowego modelu MNIST zamiast klasycznego lub po prostu spróbuj zaprojektować własny.