Цветовой профиль обучающего набора играет роль в Распознавании образца с CNN?

Question

Я недавно начал с Deep Learning и CNN, которые, как указано, пытаются извлечь наиболее оптимальные функции из образцов самостоятельно. Я сделал модель для распознавания персонажей, где на тренировочном наборе были изображения с черным фоном и сценарий с белым. Образец изображения

Этот тип модели, однако, не распознает изображения с черным рисунком на белом фоне (я пробовал использовать собственный ввод и отрицательный результат предыдущего набора). Отрицательный образец изображения

Можно ли распознать оба типа изображений, используя одну и ту же модель, или мне нужно обучить две отдельные модели? Я не знаю, возможно ли использовать класс ImageDataGenerator. Ниже приведен фрагмент кода:

train_datagen = ImageDataGenerator(rescale = 1./255, shear_range = 0.2, zoom_range = 0.2, horizontal_flip = True)
test_datagen = ImageDataGenerator(rescale = 1./255)

Answer 1

Ну, это ситуация ("негативные изображения"), где, как было обнаружено относительно недавно, результаты не те, что мы можем ожидать от них ...

Существует неопубликованная статья @ ArXiv, в которой точно показано, что модели CNN, которые достигли почти идеальной точности тестирования в наборах данных, таких как MNIST и CIFAR-10, не могут обеспечить аналогичную производительность на соответствующих «негативных» изображениях (т.е. с перевернутым фоном). & переднего плана, как ваш случай здесь):

Об ограничении сверточных нейронных сетей при распознавании негативных изображений

Вот основной результат работы:

Проблема довольно нетривиальна, и в сообществе возникли серьезные разногласия относительно того, действительно ли этот результат ожидаемый и неудивительный или нет; см. (сейчас в архиве) соответствующее обсуждение @ Reddit , а также соответствующую статью @ KDNuggets .

В целом, как предполагает статья, вы можете сделать это с одной моделью, но вам нужно будет включить хотя бы несколько таких «негативных» изображений в ваше обучение. См. Также поток SO Высокая точность обучения, но низкая производительность прогнозирования для официальной модели MNIST Tensorflow .