我可以同時用兩個圖像數據集訓練一個 CNN model

Question

我想同時用兩個圖像數據集訓練一個 CNN model。

Dataset1(RGB-Images[size(64,64,3)]) ->class-1:Fire Class-2:Non_Fire Dataset2(gray_scale-image[size(120,120,1)])->class-1:Fire Class -2:Non_Fire

Model output：火（類）或非火（類）

我的數據集鏈接：Dataset-1：

test_path1='/content/drive/MyDrive/Thesis_Dataset/Devide_Cnn/gt/test'
train_path1='/content/drive/MyDrive/Thesis_Dataset/Devide_Cnn/gt/train'
valid_path1='/content/drive/MyDrive/Thesis_Dataset/Devide_Cnn/gt/valid'

數據集 2：

test_path2='/content/drive/MyDrive/Thesis_Dataset/Devide_Cnn/rgb/test'
train_path2='/content/drive/MyDrive/Thesis_Dataset/Devide_Cnn/rgb/train'
valid_path2='/content/drive/MyDrive/Thesis_Dataset/Devide_Cnn/rgb/valid'

我從 stackoverflow 中找到了示例代碼，其中使用的兩個數據集是非圖像數據，因此我無法理解如何將此代碼應用於我自己的問題。

**誰能幫助我如何使用以下示例代碼對我的兩個數據集運行擬合操作?????????? *你也可以請有人告訴我這種方法是否有助於准確性嗎？

來自 stackoverflow 的示例代碼：（告訴我如何為我的兩個給定圖像數據集運行 fit 操作）

from keras.layers import Conv2D, MaxPooling2D, Input, Dense, Flatten, concatenate
from keras.models import Model
import numpy as np

img_input = Input(shape=(64, 64, 1))  ## branch 1 with image input
x = Conv2D(64, (3, 3))(img_input)
x = Conv2D(64, (3, 3))(x)
x = MaxPooling2D((2, 2))(x)
x = Flatten()(x)
out_a = Dense(64)(x)

num_input = Input(shape=(7,))        ## branch 2 with numerical input
x1 = Dense(8, activation='relu')(num_input)
out_b = Dense(16, activation='relu')(x1)

concatenated = concatenate([out_a, out_b])    ## concatenate the two branches
out = Dense(4, activation='softmax')(concatenated)
model = Model([img_input, num_input], out)
print(model.summary())
model.compile('sgd', 'categorical_crossentropy', ['accuracy'])

### Just for sanity check
X = [np.zeros((1,64,64,1)), np.zeros((1,7))]
y = np.ones((1,4))
model.fit(X, y)
print(model.predict(X))

Answer 1

我認為您可以使用 pandas 數據框，將 Dataset1 和 Dataset2 導入單個數據框，然后將其傳遞到網絡，如果兩個數據集具有完全相同的數據，則可以直接合並兩個數據集。 為了准確性，您必須先提高數據質量，然后再使用神經網絡。