喀拉拉邦一类分类

Question

我正在尝试建立一个模型来检测输入图像是否为某些图像（例如，狗是否为）。 我正在用keras编码，但准确性很差。 您有什么想法可以正确调整吗？ 还是我应该使用除keras之外的其他工具来解决一类分类问题？ 提前非常感谢您。

这是我到目前为止编写的代码和输出。

train_dir = './path/to/train_dir'
vali_dir = './path/to/validation_dir'

train_datagen = ImageDataGenerator(
    rescale=1./255,
    rotation_range=40,
    width_shift_range=0.2,
    height_shift_range=0.2,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=False)

test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
        train_dir, 
        target_size=(150, 150), 
        batch_size=20,
        class_mode='binary')

vali_datagen = ImageDataGenerator(rescale=1./255)

vali_generator = vali_datagen.flow_from_directory(
        vali_dir,
        target_size=(150, 150),
        batch_size=20,
        class_mode='binary')

model = Sequential()
model.add(Conv2D(16, 3, activation='relu', input_shape=(150, 150, 3)))
model.add(MaxPool2D(pool_size=2))
model.add(Conv2D(32, 3, activation='relu'))
model.add(MaxPool2D(pool_size=2))
model.add(Conv2D(64, 3, activation='relu'))
model.add(Flatten())
model.add(Dense(512, activation='relu'))
model.add(Flatten())
model.add(Dense(1024, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(1, activation='sigmoid'))

model.compile(
        loss='binary_crossentropy',
        optimizer=RMSprop(lr=0.003),
        metrics=['acc']
)

history = model.fit_generator(
        train_generator,
        steps_per_epoch=100,
        epochs=8,
        verbose=2,
        validation_data=vali_generator,
        validation_steps=20
)

输出：

Found 3379 images belonging to 2 classes.
Found 607 images belonging to 2 classes.
Epoch 1/8
 - 136s - loss: 7.6617 - acc: 0.5158 - val_loss: 10.5220 - val_acc: 0.3400
Epoch 2/8
 - 124s - loss: 7.7837 - acc: 0.5118 - val_loss: 10.5220 - val_acc: 0.3400
.......and this is just terrible.

Answer 1

看起来类标签有问题-它们与数据正确相关吗？ 您可以检查它或发布ImageDataGenerator代码

Answer 2

即使从第一个时期开始，火车的准确性和验证的准确性仍存在很大差异。 在我看来，这似乎是一个过度训练的问题。 因此，您应该为网络提供更多正规化。 就像卷积层内部的更多Dropoutlayers或kernel_regularizer一样。

Answer 3

我尝试更改和调整参数和训练数据，但没有得到理想的结果。 我遇到了一个使用Isolation forest类分类。 这就是所谓的新颖性检测，在我使用它之后，它的表现非常出色。 感谢那些在评论中建议我的人，很抱歉我自己回答。

Answer 4

如果输入要素之间不存在依赖关系，则隔离林是用于异常检测的良好算法。 但是，如果您输入的是时间序列信号或图像，则最好使用RNN或CNN之类的方法。

我最近遇到了一个名为CNN类的异常检测模型。 如果您输入的是图像或时间序列信号，则效果很好。 这是他们的github的链接：

https://github.com/raghavchalapathy/oc-nn