Is dit beeld te complex voor een ondiepe NN classifier?

stemmen
6

Ik ben op zoek naar een reeks beelden als deze te classificeren, waarbij elke klasse van bestaande beelden uit vergelijkbare cellulaire structuur:

voer

Ik heb een eenvoudig netwerk in Keras om dit te doen gebouwd, gestructureerd als:

1000 - 10

Het netwerk onveranderd bereikt zeer hoog (> 90%) nauwkeurigheid op MNIST indeling, maar bijna nooit hoger zijn dan 5% in de volgende soorten afbeeldingen. Is dit omdat ze te complex? Mijn volgende benadering zou zijn om gestapeld diep autoencoders proberen.

De vraag is gesteld op 17/04/2016 om 00:45
bron van user
In andere talen...                            


2 antwoorden

stemmen
0

De eerste vraag, is als je de training langere termijn heb je een betere nauwkeurigheid te krijgen? Je mag niet lang genoeg zijn opgeleid.

Ook, wat is de nauwkeurigheid van trainingsgegevens en wat is de nauwkeurigheid van het testen van data? Als ze beide hoog zijn, kunt u op langere termijn of gebruik maken van een meer complexe model. Als nauwkeurigheid training is beter dan de nauwkeurigheid van de testen, bent u in wezen op de grens van uw gegevens. (Dwz brute kracht schaling van modelgrootte wont hulp, maar slimme verbeteringen kunnen, dwz proberen convolutionele netten)

Tot slot, complexe en lawaaierige data kunt u een grote hoeveelheid gegevens nodig om een ​​redelijke indeling te maken. Dus je moet vele, vele foto's.

Deep gestapeld autoencoders, zoals ik het begrijp is een onbewaakte methode, die niet direct geschikt voor de indeling.

antwoordde op 17/04/2016 om 00:53
bron van user

stemmen
1

Serieus - Ik verwacht geen nonconvolutional model om goed te werken aan dit soort gegevens.

  1. Een nonconv net voor MNIST werkt goed omdat de gegevens goed voorbewerkt (deze gecentreerd in het midden aangepast aan bepaalde grootte). Uw foto's zijn niet.

  2. U zult merken (op uw foto's) dat bepaalde motieven reoccure - zoals deze donkere stippen - met verschillende posities en maten - als je niet CONVOLUTIONNELS model te gebruiken zul je niet efficiënt vast te leggen dat (bijvoorbeeld je zal moeten erkennen een donkere stip verplaatst een beetje in de afbeelding als een geheel ander object).

Door deze Ik denk dat je CONVOLUTIONNELS MNIST model moet in plaats daarvan proberen klassieker of gewoon proberen om uw eigen ontwerpen.

antwoordde op 18/04/2016 om 21:04
bron van user

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