HoG与CNN的比较答案

【问题标题】：Comparison of HoG with CNNHoG与CNN的比较
【发布时间】：2017-10-23 04:39:49
【问题描述】：

我正在研究用于杂草检测的定向梯度直方图 (HoG) 和卷积神经网络 (CNN) 的比较。我有两个不同杂草的两个数据集。
CNN 架构是 3 层网络。

1) 第一个数据集包含两个类，有 18 张图像。使用数据增强（旋转、添加噪声、光照变化）增加数据集

使用 CNN，我得到了 77% 的测试准确率，而使用 SVM 的 HoG 测试准确率为 78%。

2) 第二个数据集接触两种不同植物的叶子。每个类包含 2500 张没有数据增强的图像。

对于这个数据集，我使用 CNN 获得了 94% 的测试准确度，而使用 SVM 的 HoG 测试准确度为 80%。

我的问题是为什么我使用第一个数据集获得了更高的 HoG 准确度？ CNN 应该比 HoG 好很多。

我想到的唯一原因是第一个数据只有 18 张图像，与第二个数据集相比，多样性更少。这是正确的吗？

【问题讨论】：

标签： computer-vision histogram conv-neural-network feature-extraction

【解决方案1】：

是的，您的直觉是正确的，拥有这个小数据集（在数据增强之前只有 18 张图像）可能会导致性能下降。一般来说，对于 CNN，您通常需要至少数千张图像。由于正则化（您最有可能使用）以及模型具有的参数数量可能要少得多，SVM 的性能并没有那么差。有很多方法可以规范深度网络，例如，使用您的第一个数据集，您可能想尝试dropout，但我宁愿尝试获取更大的数据集。

【讨论】：

我已将第二个数据集的结果更新为 80% 而不是 60%。
这是一个很大的变化。你确定你的其他数字是正确的吗？尽管如此，答案仍然成立，很可能是 CNN 中缺乏正则化导致第一个数据集的性能下降。
是的，我已经检查了其他数字并且它是正确的。我在 CNN 架构中添加了 dropout，但性能仍然相同。有一件事，训练准确率是 77%，这是相当低的。这种低准确度意味着什么？
好的，现在您对这两种方法的测试准确度大致相同，这很可能是您使用这几个样本所能获得的最大准确度。鉴于您的 CNN 足够复杂，您可以尝试训练更多迭代。也许这会提高您的测试准确性，但我不希望它不会。如果你真的对自动化这个分类任务感兴趣，你能做的最好的事情就是收集更多的数据。