多 Output 卷積神經網絡

Question

我正在開發一個用於圖像分類的卷積神經網絡，或者更好地用於車牌分類。 這些車牌最多包含 8 個字符，每個字符可以包含 37 個字符（AZ、0-9 和一個空格）。 我現在想知道如何設計網絡中的最后兩層。 我認為，最后一個必須是具有 37 個概率的 softmax 層。 這應該完全連接到之前層中的一個（？）神經元？ 我認為，在之前的層中我們需要 8 個神經元，因為之前的車牌中有 8 個字符，但我在這里不確定。 在這些層之前，我添加了一些卷積層和 maxPooling 層。 這是一種有效的方法還是您有其他建議？

我寫了這段代碼：

from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPooling2D

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), input_shape = (600, 1200, 1), activation = "relu"))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(64, activation = "relu"))
model.add(Dense(8, activation = "relu"))
model.add(Dense(37, activation = "softmax"))

model.compile(optimizer="rmsprop", loss="categorical_crossentropy", metrics=["accuracy"])

尤其是關於我的 Flatten Layer 之后的層，我真的不確定......有沒有人可以幫忙？ 我希望我正確地描述了我的問題......

Answer 1

在您之前的層中，有許多常用的架構，您可以嘗試在數據集上獲得更好的准確性。

在密集層上，有多種方法可以解決它。 因為，最多有 8 個字符，每個字符有 37 個可能的字符。 您可以將最后一層設置為model.add(Dense(37*8, activation = "sigmoid")) ，閾值為 0.5 以表示所有 37*8 的可能性。

 model = Sequential()
 model.add(Conv2D(32, kernel_size=(3, 3), input_shape = (600, 1200, 1), activation = "relu"))
 model.add(MaxPooling2D(pool_size=(2, 2)))
 model.add(Dropout(0.25))
 model.add(Flatten())
 model.add(Dense(64, activation = "relu"))
 model.add(Dense(37*8, activation = "relu"))

更合適的方法可能是使用 9 個 output 層：一個有 8 個神經元來表示字符的存在，另外 8 層有 37 個神經元，每個都有 softmax 來表示它是什么字符。 請注意，要執行此操作，您必須使用功能 API 而不是順序 API。

一個例子：

 inp = Input(shape=(600,1200,1))
 X = Conv2D(32, kernel_size=(3, 3), activation = "relu")(inp)
 X = MaxPooling2D(pool_size=(2, 2))(X)
 X = Dropout(0.25)(X)
 X = Flatten()(X)
 X = Dense(64, activation = "relu")(X)
 P = Dense(8, activation = "relu")(X)
 C1 = Dense(37, activation = "softmax")(X)
 ...
 C8 = Dense(37, activation = "softmax")(X)
 model = Model(inp, [P,C1,C2,...C8])