É esta imagem demasiado complexo para um classificador NN superficial?

votos
6

Eu estou tentando classificar uma série de imagens como esta, com cada classe de compreendendo imagens tiradas a partir de estrutura celular semelhante:

digite

Eu construí uma rede simples no Keras para fazer isso, estruturado como:

1000 - 10

A rede inalterado obtém uma precisão muito elevada (> 90%) na classificação MNIST, mas quase nunca superior a 5% sobre esses tipos de imagens. É este, porque eles são muito complexas? Meu próximo abordagem seria tentar autoencoders profundas empilhados.

Publicado 17/04/2016 em 00:45
fonte usuário
Em outras línguas...                            


2 respostas

votos
0

Primeira pergunta, é se você executar o treinamento mais você consegue uma melhor precisão? Você não pode ter treinado o suficiente.

Além disso, qual é a precisão nos dados de treinamento e qual é a precisão nos dados de teste? Se ambos são de alta, você pode correr mais ou usar um modelo mais complexo. Se precisão formação é melhor do que testar a precisão, que são essencialmente nos limites de seus dados. (Ou seja, força bruta escala de tamanho do modelo não vai ajudar, mas as melhorias inteligentes pode, ou seja, tentar redes convolucionais)

Finalmente, dados complexos e barulhento que você pode precisar de um monte de dados para fazer uma classificação razoável. Então você precisa de muitas, muitas imagens.

autoencoders profunda empilhados, tal como o entendo é um método sem supervisão, o qual não é directamente adequados para a classificação.

Respondeu 17/04/2016 em 00:53
fonte usuário

votos
1

Sério - eu não espero qualquer modelo nonconvolutional para funcionar bem com este tipo de dados.

  1. Uma rede nonconv para MNIST funciona bem porque os dados são bem pré-processado (é centrado no meio e redimensionada para determinado tamanho). Suas imagens não são.

  2. Você pode notar (em suas fotos) que certas reoccure motivos - como este pontos mais escuros - com diferentes posições e tamanhos - se você não usar o modelo convolucional você não vai capturar isso de forma eficiente (por exemplo, você terá que reconhecer um ponto escuro moveu um pouco na imagem como um objeto completamente diferente).

Devido a isso eu acho que você deve tentar modelo MNIST convolutional vez um clássico ou simplesmente tentar projetar seu próprio país.

Respondeu 18/04/2016 em 21:04
fonte usuário

Cookies help us deliver our services. By using our services, you agree to our use of cookies. Learn more