Я исследую использование CNN для извлечения объектов, объединяя их в цепочку с моделью Gradient Boosting Trees для классификации. Архитектура CNN, которую я нашел, наиболее эффективна - это 4 сверточных слоя с активацией после каждого, перед слоем Max Pooling, этапом выравнивания и затем 2 полностью связанными слоями.
У меня нет особого опыта работы с CNN, но я понимаю, что, как правило, ожидается, что у вас есть несколько наборов уровней свертки и слоев максимального пула (т. Е. В пуле несколько раз в архитектуре) - однако я ' Мы обнаружили, что такой подход значительно снижает точность и отзыв модели классификации, хотя мне не очень понятно, почему.
Мой подход основан на работе, проделанной в этой статье https://towardsdatascience.com/cnn-application-on-structured-data-automated-feature-extraction-8f2cd28d9a7e (извиняюсь, если он за вас платит).
Моя модель, кажется, не подходит, так как у меня есть 40% -ный шаг проверки в обучающей / тестовой модели классификации, но я уверен, что Я что-то упускаю, так как используемая мной архитектура CNN кажется необычной / не используется вообще.
Для ясности, вот моя архитектура CNN:
_________________________________________________________________
Layer (type)
=================================================================
conv2d_1_input (InputLayer)
_________________________________________________________________
conv2d_1 (Conv2D)
_________________________________________________________________
activation_1 (Activation)
_________________________________________________________________
conv2d_2 (Conv2D)
_________________________________________________________________
activation_2 (Activation)
_________________________________________________________________
conv2d_3 (Conv2D)
_________________________________________________________________
activation_3 (Activation)
_________________________________________________________________
conv2d_4 (Conv2D)
_________________________________________________________________
activation_4 (Activation)
_________________________________________________________________
max_pooling2d_1 (MaxPooling2
_________________________________________________________________
flatten_1 (Flatten)
_________________________________________________________________
dense_1 (Dense)
_________________________________________________________________
batch_normalization_1 (Batch
_________________________________________________________________
dropout_1 (Dropout)
_________________________________________________________________
feature_dense (Dense)
_________________________________________________________________
Заранее спасибо!