这张图片对于浅层的神经网络分类器来说是否过于复杂？

Question

5

我正在试图对一系列类似这个的图片进行分类，每个类别包含从相似的细胞结构中获取的图像：

我已经在Keras中构建了一个简单的网络来执行此操作，其结构如下：

1000 - 10

网络未改变在MNIST分类上实现了非常高（>90%）的准确率，但在这些类型的图像上几乎从不高于5%。这是因为它们太复杂了吗？我的下一个尝试将是尝试堆叠深度自动编码器。

- erythraios

你能提供不同类别的图像吗？这完全取决于它们之间的分离程度。 - rcpinto

我正在处理一个类似的问题，尝试区分膜上微小的有机纹理。只有在进行了严格的预处理并使用了由10-12层卷积网络组成的集成模型后，我才得到了良好的结果。你的数据集大小和类别比例是多少？ - MaCaKi

@MaCaKi 只有1000张图片，每个类别大约有20个，每个类别中包含48张图片。 - erythraios

这非常小，如果用原始图像训练卷积神经网络几乎是不可行的。这看起来像是不同组织的切片？它们都是相同的颜色和大小吗？如果您的图像足够大，可以通过子采样和进行随机旋转来扩展数据集。 - MaCaKi

2个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Marcin Możejko · Answer 1

说实话，我不认为任何非卷积模型能够在这种类型的数据上表现良好。

适用于MNIST的非卷积神经网络效果很好，因为该数据已经进行了良好的预处理（中心对齐并调整大小）。但您的图像则没有。
您可能会注意到（在您的图片上）某些图案不断重复出现，比如这些较暗的点，它们有不同的位置和尺寸。如果您不使用卷积模型，则无法有效地捕捉到这些特征（例如，您必须将图像中略微移动的黑点视为完全不同的对象）。

因此，我认为您应该尝试使用卷积MNIST模型而不是传统的模型，或者尝试自己设计模型。

- user5775157 · Answer 2

首先，如果你训练时间更长，你的准确率会更高吗？也许你没有训练足够久。

另外，训练数据和测试数据的准确率分别是多少？如果两者都很高，你可以继续训练或使用更复杂的模型。如果训练准确率比测试准确率高，那么你基本上已经达到了数据的极限。（即暴力扩大模型大小不会有帮助，但是聪明的改进可能会有用，例如尝试卷积网络）

最后，对于复杂且嘈杂的数据，你可能需要大量的数据才能进行合理的分类。因此，你需要很多很多的图像。

根据我的理解，深度堆栈自编码器是一种无监督方法，不直接适用于分类。