低精度分类颜色

Question

我正在做一些基于颜色的图像分类实验。我有9000个鞋子图像的数据集，分为9种颜色，每种颜色1000个图像。

我按照TensorFlow的How to Retrain Inception's Final Layer for New Categories教程获得了58.3％的准确性。

然后我用SVC（RBF）分类器替换了最后一层，得到65.4％的准确度。

有些错误是非常值得商榷的。例如，这个图像正确标签是Brown但我的分类说，这是Beige：

但其他错误，只是错误。此图片正确标签为Pink，但我的分类说，这是Blue：

我怎么能提高精度？更多图片？从头开始培训初始网络？使用“标准”ML而不是深度学习？

Answer 1

初始是一个NN模型，它是根据图像中的项目将图像分配给某个预定义的类而创建的。它依靠许多汇集/卷积层来完成这项工作，并建立从低层（边缘）到高层（眼睛）的功能。

尽管如此，它是复杂和强大的模型，它不能做任何事情。再培训只能适用于类似的任务（如分类不同类型的汽车，区分狗/猫或鲜花）。你不能问是否有东西在吃东西或喝东西，要增加两个数字。

问问自己，如果你想学习鞋子的颜色，是否知道边缘是最好的。最有可能不是，但每个颜色在此图像中出现的次数可能更重要。

所以我会尝试清理图像，让鞋子居中，然后尝试逻辑回归。