Keras中图像的二进制分类

Question

我想在Keras中仅使用1个通道对图像进行分类（29 x 29）。如果中间像素在一定范围内，则输出为1，否则为0。

对于训练集，我有10000个输出为1的图像和30000个输出为0的图像，我正在使用以下建筑：

model = Sequential() 

# kernel = (4, 4); 6 outputmaps 26x26 
model.add(Convolution2D(6, 4, 4, input_shape=(img_channels, img_rows, img_columns))) 
model.add(Activation('relu')) 
# 6 outputmaps of 13x13 
model.add(MaxPooling2D(pool_size=(2, 2))) 
# 12 outputmaps of 10x10 ; kernel = (4, 4) 
model.add(Convolution2D(12, 4, 4)) 
model.add(Activation('relu')) 
# 12 outputmaps of 5x5 
model.add(MaxPooling2D(pool_size=(2, 2))) 
# 24 outputmaps of 4x4 ; kernel = (2, 2) 
model.add(Convolution2D(24, 2, 2)) 
model.add(Activation('relu')) 
model.add(Flatten()) 
model.add(Dense(1, activation='sigmoid')) 

编译，我现在用的是binary_crossentropy损失

model.compile(loss='binary_crossentropy', optimizer='sgd', class_mode='binary') 

精度波动，但它达到每个时期后的0.75的最终值。 有什么我失踪？有什么我应该改变或添加为了这个工作？

Answer 1

试图解释你的方法，你希望你的CNN只看29 * 29像素中的一个。我不是专家，但这听起来对CNN来说不是一个好问题。但是，通常如果您的网络对训练数据的结果不理想，则您的网络太小。所以你可以试着让它变大。你可以考虑的另一件事：你的设置（内核大小，图层，池）实际上实现了什么？您的设置可能会对这类任务不利吗？这里是我会做什么：

• 试试这个没有CNN，即用1或2个完全连接层，看看会发生什么
• 做出的决议“细”，即用（3,3）滤波器的尺寸
• 删除maxpooling（maxpooling扔掉的信息，使功能更加不变的，我不知道你会需要这个）
• 添加更多的转换次数层
• 可能不相关，但你的数据集是非常小的，所以你不需要sgd的速度优势，可以换个优化器

您的培训和测试看起来如何？这是一个玩具项目吗？