python - 如何提高 CNN 在图像识别上的准确率

Question

我正在训练 CNN 进行图像分类。具体来说，我正在尝试创建一个唇读器，该读唇器能够将分段嘴巴的图像及其相关音素进行分类。这些图像的尺寸为 64x64，并被展平为长度为 4096 的一维数组。我在下面插入了当前模型的代码及其性能图和指标。有人对我如何继续修改此模型以提高准确性有任何建议吗？

df = pd.read_csv("/kaggle/input/labeled-frames-resized/labeled_frames.csv", error_bad_lines=False)
labelencoder = LabelEncoder()
df['Phoneme'] = labelencoder.fit_transform(df['Phoneme'])
labels = np.asarray(df[['Phoneme']].copy())
df = df.drop(df.columns[0], axis = 1)

X_train, X_test, y_train, y_test = train_test_split(df, labels, random_state = 42, test_size = 0.2, stratify = labels)
X_train = tf.reshape(X_train, (8113, 4096, 1))
X_test = tf.reshape(X_test, (2029, 4096, 1))

model = Sequential()
model.add(Conv1D(filters= 128, kernel_size=3, activation ='relu',strides = 2, padding = 'valid', input_shape= (4096, 1)))
model.add(MaxPooling1D(pool_size=2))

model.add(Conv1D(filters= 128, kernel_size=3, activation ='relu',strides = 2, padding = 'valid'))
model.add(MaxPooling1D(pool_size=2))

model.add(Dropout(0.5))
model.add(MaxPooling1D(pool_size=2))

model.add(Conv1D(filters= 128, kernel_size=3, activation ='relu',strides = 2, padding = 'valid'))
model.add(MaxPooling1D(pool_size=2))

model.add(Dropout(0.2))
model.add(MaxPooling1D(pool_size=2))

model.add(Conv1D(filters= 128, kernel_size=3, activation ='relu',strides = 2, padding = 'valid'))
model.add(MaxPooling1D(pool_size=2))

model.add(Dropout(0.2))
model.add(MaxPooling1D(pool_size=2))

model.add(Flatten())
model.add(Dense(39)) 
model.add(Activation('softmax'))

optimizer = keras.optimizers.Adam(lr=0.4)

model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])


history = model.fit(X_train,y_train, epochs = 500, batch_size = 2048, validation_data = (X_test, y_test), shuffle = True)

标签： pythonkerasdeep-learningcomputer-visionconv-neural-network

Answer 1

您可以轻松地将其转换为 2D 卷积：

model.add(Conv2D(filters= 128, kernel_size=(3,3), activation ='relu',strides = (2,2), 
                 padding = 'valid', input_shape= (64,64,1)))
model.add(MaxPooling2D(pool_size=(2,2))
...
model.add(Flatten())
model.add(Dense(39)) 
model.add(Activation('softmax'))

到目前为止，我只使用过 Conv1d，因为它看起来更容易。

可以在图像上使用一维卷积吗？

• 是的，你可以，但不推荐，除非你有一个非常具体的案例并且知道你在做什么。假设您的图像为 1024x1024，当您将它们展平时会发生什么？您使用 2D Convolutions 提取的信息不仅仅是 1D Convolutions。

解释：

您确实可以在图像上使用一维卷积，但并非在所有情况下都可以。（我可能错了）当你将它们展平时，每个像素都会成为一个特征。如果我们希望每个像素都成为一个特征，那么我们也可以Dense在展平后使用普通层。但是会有很多参数需要训练。我的意思是（不包括总参数大小）：

model= tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(...)
...
])

当您将它们展平时，您可能会破坏图像的空间连贯性。使用 2D 卷积可能会提高您的准确性。我们对 2D 卷积所做的是我们访问图像，看看我们可以提取什么作为重要特征，使用最大或平均池化。

• 您将无法使用一维卷积捕获那么多信息。

• 在进行预测之前，我们可以将池化的特征图输入全连接层。