实验记录
CNN特征是由INCEPTION_V3模型得到的bottleneck(即卷积神经网络倒数第二层学到的特征),是一系列2048维特征向量,将一系列特征向量作为输入,放入SVM中进行分类(用的是matlab版libsvm),实验结果如下
数据集 plant_photos12(12种,每种50~100张图像)
训练集—验证集 | 不降维(%) | PCA降维(%) | PCA+LDA降维(%) |
80-20 | 40.9574 | 40.4255 | 78.7234 |
60-40 | 38.0319% (143/376) | 37.766% (142/376) | 75.7979% (285/376) |
50-50 | 37.6596% (177/470) | 40.8511% (192/470) | 66.1702% (311/470) |
40-60 | 35.6383% (201/564) | 41.6667% (235/564) | 55.3191% (312/564) |
20-80 | 36.8351% (277/752) | 37.234% (280/752) | 38.5638% (290/752) |
实验结果超级不好,最好的也就78%左右,难过,直接修改softmax分类器为12,得到的结果都是91.4%,之前看到一篇论文对23 类鱼种数据集, 共 27 370 张鱼的图像进行分类,用CNN+SVM方法得到了98%左右的识别率。难道是因为数据集太少?
对数据集进行数据增强(水平翻转+垂直翻转)后,实验结果惨不忍睹,我的课题创新点啊,本想着结果会很好呢。问题出在哪里?
为什么用传统的形状特征、lbp特征放入svm得到的结果比cnn+svm好呢?
cnn+softmax结果就比传统方法好,想不明白啊!