Conv2D和Conv3D：提高准确性

Question

对于5个类中的每一个，我有10000个RGB图像，18 * 18像素（是的，图像是小尺寸的）。我想制作深度学习模型，将图像分类为5个标签。我分别用内核（3,3）和（3,3,3）尝试了Conv2D和Conv3D。我尝试使用不同的过滤器（16,32,64,128,256）添加多个图层（最多8个）。我尝试了不同的激活器（relu，sigmoid）和优化器（adam，sgd）。我也试过＃epochs高达500.然而，无论如何我无法获得超过0.5的整体准确度。请帮助我们如何提高准确性。

Answer 1

我建议你寻找像“mnist cnn”这样的好例子，并将该模型应用于你的数据集。

我认为你需要其他东西，而不仅仅是网络架构。

它可能在下面。

• 数据增强：旋转，缩放，移位等
• 初始化：参数初始化（重量，偏差）
• 批量规范
• 退出
• 逐渐衰弱的学习率

Answer 2

首先尝试增加每个类的数据样本（尝试收集真正的新数据后再增加它们）尽管你的数据与使用最先进的预训练模型（如移动网络）的imagenet类不​​相似v2或Xceptoin）作为初始权重并根据您的数据对其进行微调，如果您的样本与imagenet类似，则可以冻结第一层，并仅在模型末尾训练密集层。