使用 VGG16 网络进行错误分类答案

【问题标题】：Misclassification using VGG16 Net使用 VGG16 网络进行错误分类
【发布时间】：2019-01-16 02:36:27
【问题描述】：

我使用 Faster RCNN 对 33 个项目进行分类。但是它们中的大多数都被错误地分类了。所有物品都是零食包和甜包，如下链接所示。

https://redmart.com/product/lays-salt-and-vinegar-potato-chips

https://www.google.com/search?q=ice+breakers&source=lnms&tbm=isch&sa=X&ved=0ahUKEwj5qqXMofHfAhUQY48KHbIgCO8Q_AUIDigB&biw=1855&bih=953#imgrc=TVDtryRBYCPlnM:

https://www.google.com/search?biw=1855&bih=953&tbm=isch&sa=1&ei=S5g-XPatEMTVvATZgLiwDw&q=disney+frozen+egg&oq=disney+frozen+egg&gs_l=img.3..0.6353.6886..7047...0.0..0.43.116.3......1....1..gws-wiz-img.OSreIYZziXU#imgrc=TQVYPtSi--E7eM:

所以颜色和形状是相似的。解决这个错误分类问题的最佳方法是什么？

【问题讨论】：

因为所有的形状都相同，这会使您的模型感到困惑。但是你可以通过收集一些数据来给这个项目一个微调的机会。
@AnkishBansal 你能解释一下如何微调，以便我有一些线索。我现在正在做的是创建两个单独的组来训练两个不同的模型。但我更喜欢使用单一模型。如果没有选择，我必须走那条路。任何解释如何微调？

标签： tensorflow deep-learning conv-neural-network caffe

【解决方案1】：

微调是一种使用特征的方法，在一些大数据集上学习，在我们的问题中，这意味着我们不是再次训练完整的网络，而是freeze 输出较低层的权重网络并根据需要在网络末端添加几层。现在我们再次在我们的数据集上训练它。所以这里的优势是，我们不需要训练all-millions的参数，但只需要很少。另一个是我们不需要large-dataset 来微调。

更多您可以找到here。这是another-useful 资源，作者对此进行了更详细的解释（附代码）。

注意：这也称为transfer-learning。

【讨论】：

我的训练使用了 VGG16 的预训练模型。预训练模型是用大数据集训练的，在这种情况下，我可以按照你提到的进行调整。是吗？我不需要训练整个网络，只需对网络的后期部分进行微调即可。
是的，你没看错。您可以为 VGG 使用预训练的权重，您可以在 tensorflow 或 keras 中轻松找到它，它是在 Imagenet 数据集上训练的，它有数百万张图像和 1000 个类别。另外VGG有billions的参数，自己训练的成本很高。所以微调有很大帮助。