对于浅层神经网络分类器来说，这个图像是不是太复杂了？

Question

我正在尝试对一系列像这样的图像进行分类，每一类图像都是从相似的细胞结构中获取的：

​

​

为此，我在Keras中构建了一个简单的网络，结构如下：

1000 - 10

未改变的网络在MNIST分类上实现了非常高的准确率(>90%)，但在这些类型的图像上几乎从未超过5%。这是因为它们太复杂了吗？我的下一个方法是尝试堆叠式深度自动编码器。

Answer 1

说真的，我不希望任何非卷积模型能很好地处理这种类型的数据。

1. MNIST的非works网络工作得很好，因为数据经过了良好的预处理(它位于中间，并调整到一定的大小)。你的图片不是这样的。
2. 你可能会注意到(在你的图片上)，某些图案会重现--比如这个较暗的点--具有不同的位置和大小--如果你不使用卷积模型，你就不会有效地捕捉到它(例如，你必须将图像中移动了一点的暗点识别为一个完全不同的对象)。

正因为如此，我认为你应该尝试卷积MNIST模型，而不是经典的模型，或者简单地尝试设计自己的模型。

Answer 2

第一个问题是，如果你训练的时间更长，你会获得更好的准确性吗？你可能训练的时间不够长。

另外，训练数据的准确性是多少，测试数据的准确性是多少？如果它们都很高，您可以运行更长时间或使用更复杂的模型。如果训练精度比测试精度更好，那么您基本上处于数据的极限。(例如，暴力缩放模型大小不会有帮助，但聪明的改进可能会，例如，尝试卷积网络)

最后，对于复杂且有噪声的数据，您可能需要大量的数据才能做出合理的分类。所以你需要很多很多的图像。

深度堆叠自动编码器，据我所知，它是一种无监督的方法，不适合直接用于分类。