Я пытался обучить VGG16 Кераса на моем наборе данных вызовов orca с 8 классами. Данные содержат 7 классов для вызовов orca и 1 класс для отрицательных. Данные содержат спектрограмму вызовов косаток и соответствующие им метки.
Даже после 50 эпизодов тренировок потери и точность не меняются вообще. Я пробовал масштабирование функций и различную скорость обучения, но модель вообще ничего не изучает. Я проверил данные вручную, это нормально.
код:
model = keras.applications.vgg16.VGG16(include_top=True, weights=None, input_tensor=None, input_shape=(320, 480, 3), pooling='max', classes=8)
opt = keras.optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-8, decay=1e-6, amsgrad=False)
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(x=X_train, y= Y_train, batch_size=16, epochs=2000, shuffle=True,validation_split=0.2)
Я прочитал некоторые исследовательские работы и провел некоторые контрастные и другие виды предварительной обработки изображений в соответствии с этими статьями. Верхняя половина изображений становится белой, поскольку интересующие меня частоты лежат во второй половине. Я выбрал cmap ='gray', так как в нем больше выдавались частоты. Должен ли я пойти на какой-то другой Cmap?
Некоторые изображения из моего набора данных:
Kaggle kernal: https://www.kaggle.com/sainimohit23/myorcanb.