HoG与CNN的比较

Question

我正在研究方向梯度直方图(HoG)和卷积神经网络(CNN)在杂草检测中的应用。我有两个不同杂草的数据集。

CNN的体系结构是三层网络。

1)第一个数据集包含两个类，具有18个图像。使用数据增强(旋转、添加噪声、照明变化)增加数据集

​

使用CNN，我得到了77%的测试准确率，使用支持向量机的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片。每一类包含2500张没有数据增强的图像。

​

对于这个数据集，使用CNN我得到了94%的测试准确率，对于支持向量机的HoG得到了80%的测试准确率。

我的问题是，为什么我使用第一个数据集可以获得更高的HoG准确率？CNN应该比HoG好得多。

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

Answer 1

是的，你的直觉是正确的，拥有这么小的数据集(在数据增强之前只有18张图像)可能会导致更差的性能。通常，对于CNN，您通常至少需要数千张图像。由于正则化(您最有可能使用的)以及模型的参数数量可能要少得多，所以支持向量机的性能不会那么差。有一些方法可以使深度网络正规化，例如，对于您的第一个数据集，您可能想尝试一下dropout，但我宁愿尝试获取一个大得多的数据集。