0

我有一个图像数据集（脑电图谱图），如下所示 在此处输入图像描述

图像尺寸为 669X1026。我正在使用以下代码对频谱图进行二进制分类。

from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import backend as K

# dimensions of our images.
img_width, img_height = 669, 1026

train_data_dir = '/home/spectrograms/train'
validation_data_dir = '/home/spectrograms/test'
nb_train_samples = 791
nb_validation_samples = 198
epochs = 100
batch_size = 3



if K.image_data_format() == 'channels_first':
    input_shape = (3, img_width, img_height)
else:
    input_shape = (img_width, img_height,3)

model = Sequential()
model.add(Conv2D(128, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(256, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(512, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(256, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(128, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())
model.add(Dense(16))
model.add(Activation('relu'))
# model.add(Dropout(0.5))

model.add(Dense(1))
model.add(Activation('sigmoid'))

model.compile(loss='binary_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

model.summary()

# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0,
    zoom_range=0,
    horizontal_flip=False)

# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator(rescale=1. / 255)

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

model.fit_generator(
    train_generator,
    steps_per_epoch=nb_train_samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=nb_validation_samples // batch_size)

model.save_weights('CNN_model.h5')

但我无法获得大于 0.53 的训练准确度。我只有有限数量的数据（790 个训练样本和 198 个测试样本）。因此，增加输入图像的数量不是一种选择。我还能做些什么来提高准确性？

4

1 回答 1

0

你的代码

train_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0,
    zoom_range=0,
    horizontal_flip=False)

没有做任何图像增强，只是重新调用。不确定哪种类型的增强可能会有所帮助。看起来你的图像真的不依赖于颜色。它可能无助于准确性，但您可以通过将图像转换为灰度来减少计算费用。通过使用 Keras 回调 ReduceLROnPlateau 和 EarlyStopping，您可能会得到一些改进。文档在这里。我为这些回调建议的代码如下所示

rlronp=tf.keras.callbacks.ReduceLROnPlateau(monitor="val_loss", factor=0.5, patience=1,
    verbose=1, mode="auto", min_delta=0.0001, cooldown=0, min_lr=0)
estop=tf.keras.callbacks.EarlyStopping(monitor="val_loss", min_delta=0,patience=4,
    verbose=1, mode="auto", baseline=None, restore_best_weights=True)
callbacks=[rlronp, estop]

您可以尝试使用迁移学习。这些模型中的大多数都是在 imagenet 数据集上训练的，该数据集与您使用的图像类型不同，但可能值得一试。我建议您使用 Mobilenet 模型。代码如下所示

base_model=tf.keras.applications.mobilenet.MobileNet( include_top=False, 
           input_shape=input_shape, pooling='max', weights='imagenet',dropout=.4) 
x=base_model.output
x = Dense(64,activation='relu')(x)
x=Dropout(.3, seed=123)(x)
output=Dense(1, activation='sigmoid')(x)
model=Model(inputs=base_model.input, outputs=output)        
model.compile(Adamax(lr=.001), loss='binary_crossentropy', metrics=['accuracy'])

使用上面在 model.fit 中引用的回调您可能会收到警告，Mobilenet 已使用 224 X 224 X 3 的图像形状进行训练，但它仍应加载 imagenet 权重并正常工作。

于 2021-01-12T21:04:21.700 回答