如果图像同时包含狗和猫，则CNN Keras狗猫分类

Question

通过在输出层使用Sigmoid激活函数对每一个类进行预测，改进了狗猫的二值分类，使其多类激活，但没有得到预期的结果。

我创造了一个图像，其中有狗和猫的单一形象。

预期结果：犬70%或70%以上，猫70%或70%以上

实际结果：犬: 70 %，猫: 25 %

为什么不能准确地预测个人等级呢？

import numpy as np
from keras.models import Sequential;
from keras.layers import Conv2D, MaxPooling2D, Dense, Flatten;
from keras.utils.np_utils import to_categorical
from keras import optimizers

classifier = Sequential();

classifier.add(Conv2D(32,(3,3),input_shape=(64,64,3),activation='relu'));
classifier.add(MaxPooling2D((2,2)));

classifier.add(Conv2D(32,(3,3),activation='relu'));
classifier.add(MaxPooling2D((2,2)));

classifier.add(Conv2D(32,(3,3),activation='relu'));
classifier.add(MaxPooling2D((2,2)));

classifier.add(Flatten());

classifier.add(Dense(100, activation='sigmoid'))
classifier.add(Dense(2,activation='sigmoid'));

classifier.compile(optimizer="adam", loss='categorical_crossentropy', metrics=['accuracy'])

from keras.preprocessing.image import ImageDataGenerator

trainingDataOptions = ImageDataGenerator(rescale=1./255,shear_range=0.2,zoom_range=0.2,horizontal_flip=True)
testingDataOptions = ImageDataGenerator(rescale=1./255)

trainingData = trainingDataOptions.flow_from_directory('dataset/training',target_size=(64,64),batch_size=32);
testingData = testingDataOptions.flow_from_directory('dataset/testing',target_size=(64,64),batch_size=32);

classifier.fit_generator(trainingData, samples_per_epoch=1757, nb_epoch=10, validation_data=testingData, nb_val_samples=308)

classifier.save('model.h5')

# Output
from keras.preprocessing import image
test_image = image.load_img('samples/319b5fa.jpg',target_size=(64,64))
test_image = image.img_to_array(test_image)
test_image = np.expand_dims(test_image, axis=0)

res = classifier.predict(test_image)
label_map = (trainingData.class_indices)

print(res);

i = 0;
for label in label_map:
    score = res[0][i]
    score = score*100
    score = "{0:.0f}".format(score)
    print(label,"====>",score,'%');
    i = i+1;

我没有在输出层中使用softmax，那么为什么单个预测的总和不超过100%呢？它将多类分类始终保持在1.0以下(我猜这与分布概率的softmax有关)。

Answer 1

准确地说，您希望进行多标签多类分类或简单的多标签分类(即，每个图像可能属于零、一个或多个类，例如，正如您提到的那样，一个图像可能同时具有猫和狗)。因此，对于稠密层的乙状结肠激活的选择是正确的，因为每个类独立于另一个类，并且应该得到一个从0到1的值(即对应于概率)。

但是，您还必须将损失从'categorical_crossentropy'更改为'binary_crossentropy'，因为在这里您不再执行单标签多类分类(即在此图像中存在哪一种狗或猫)。然而，您正在执行一组二进制分类(例如，cat是否存在？狗是否存在？)对于这种情况，适当的损失将是'binary_crossentropy'。