摘要卷积神经网络的训练和验证集的选取对测试精度有很大的影响。

Question

我是做交通标志识别工作使用德国交通标志检测基准数据库。它有43个类，每个类中至少有400个图像。图像可能有多达3个交通标志。

当我随机选择图像作为训练和验证集时，我在网络测试的准确性上有很大的差异。我构建了两个数据集:一个是75%的训练图像和25%的验证图像；另一个是70%的训练图像和30%的验证图像。

我使用相同的超参数的GoogLeNet进行训练，包括30个历元.

经过培训，我用不同的图像进行测试，这些图像都是为测试而设计的。使用第一个数据集，我得到的精度几乎比第二个数据集低10%。有人能解释一下吗？

它会不会是随机选择“更容易”的图像进行训练，这就是为什么我会得到较低的结果？

对于这两个数据集，我使用相同的图像，只是除以不同的百分比。

指向数据集的链接：http://benchmark.ini.rub.de/?section=gtsrb&subsection=dataset

Answer 1

你有几类标牌？众所周知，GoogLeNet在此数据集上工作良好吗？记住，GoogLeNet是专为在ILSVRC 2012数据集上表现出色而设计的:大约130万张训练图像，1000个类。它扩展到数百个并行内核，为这个问题提供了很大的灵活性。

如果你有一个小得多的问题--比如说，在几个类别中的900张图片--那么GoogLeNet的规模很可能会超过你的应用程序。例如，请注意，最终完全连接的1000个参数层比单独识别训练集中的每一幅图像所需的要多。中间层的128-200+过滤器将发现各种虚假的特征，如绿色植物周围的6个速度区标志。

另外，请记住，GoogLeNet是为了识别输入图像中的单个图形而构建的:交通标志数据库可能在图像中有多达6个标志。这也可以混淆您的培训，这取决于您如何分类多符号图像。

如果您觉得这个任务需要GoogLeNet复杂性，我建议您减少层的宽度。例如，ILSVRC的历史表明，您的模型学习识别面部特征、车辆部件和花瓣，而路标的视觉元素则受到更多的限制。因此，虽然您可能希望第一层(边缘和区域检测)保持丰满，您将不需要太多的过滤器在中间层。

不，我不能给你一个可靠的起点:我还没有做几个月的实验来调整模型以适应这个问题。如果您想要看到一个极端的例子，请按照推荐的迭代次数对GoogLeNet进行培训，但是将其提供给MNIST数据库。更好的是，给它的文本处理器屏幕截图的tac脚趾位置，只归类为“赢”，“抽签”，和“输”。