如何解决HSV图像可以用于CNN训练吗
我目前正在研究 fingers-count 深度学习问题。当您查看数据集时,训练和验证集中的图像非常基本并且几乎相同。该网络可以实现很高的训练和验证精度。但是当涉及到现实生活图像中的预测时,它的表现非常糟糕(这是因为模型已经在非常基础的图像上进行了训练)。
为了克服这个问题,我将训练和验证图像转换为 HSV(Hue-Saturation-Value)并在新的 HSV 图像上训练模型。来自新训练集的 1 个此类图像的示例是:
然后我将我的图像从现实生活中转换为 HSV 并将其传递给模型进行预测。但是,该模型仍然无法正确预测。我假设由于应用 HSV 后训练图像和预测图像几乎相同,模型应该预测良好。我在这里有什么不正确的想法吗? HSV图像真的可以用于训练CNN吗?
解决方法
看来你有过拟合的问题,你的模型只记住了训练集的简单样本,相比之下,它不能推广到更复杂和多样化的数据。
在深度学习的背景下,有多种方法可以避免过度拟合,我认为您不一定需要将输入转换为 HSV。首先,您可以应用各种数据增强方法(如随机裁剪或旋转)来创建各种版本的数据。如果此方法不起作用,您可以使用较小的模型或应用诸如Drop Out 或正则化 之类的技术。 这是来自 TensorFlow 的一个很好的教程。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。