Conv2D и Conv3D: повысить точность

Question

У меня есть 10000 изображений RGB с 18 * 18 пикселями (да, изображения малого размера) для каждого из 5 классов.Я хотел сделать модель глубокого обучения для классификации изображений на 5 меток.Я пробовал оба Conv2D и Conv3D, с ядрами (3,3) и (3,3,3) соответственно.Я попытался добавить несколько слоев (до 8) с различными фильтрами (16, 32, 64, 128, 256).Я пробовал разные активаторы (relu, sigmoid) и оптимизаторы (adam, sgd).Я также пробовал # эпох до 500. Однако я не мог получить общую точность более 0,5.Пожалуйста, помогите мне, ребята, как я могу повысить точность.

Answer 1

в первую очередь попытайтесь увеличить выборки данных для каждого класса (попробуйте собрать реальные новые данные после того, как это увеличит их все), даже если ваши данные не похожи на использование классов imagenet в современной предварительно обученной модели (например,в качестве мобильной сети v2 или Xceptoin) в качестве начальных весов и подстройте их по вашим данным, если ваши образцы похожи на imagenet, вы можете заморозить первые слои и обучить только плотные слои в конце модели.

Answer 2

Я рекомендую вам поискать хороший пример, например, "mnist cnn", и применить эту модель к своему набору данных.

Я думаю, что вам нужно что-то другое, не только сетевая архитектура.

Это может бытьниже.

• Увеличение данных: вращение, масштабирование, сдвиг и т. д.
• Инициализация: инициализация параметра (вес, смещение)
• Норма партии
• Выпадение
• Потеря скорости обучения к эпохе