除了侧面有条纹之外，图像是相同的。我正在尝试将图像分类为 2 类：greenStripe、noGreenStripe。
我尝试使用带有小数据集的 tensorflow 重新训练（每个类约 40 张图片，批量大小为 8），但结果非常糟糕。我不敢承诺使用更多数据进行培训，因为这很耗时。
你有什么建议？有没有更好的方法，还是问题出在小训练数据集上？
使用 TensorFlow（一般是 ML）根据绿色条纹的存在对行李袋标签进行分类是否可靠？
数据挖掘
分类
张量流
图像分类
2022-03-05 01:58:06
3个回答
科学的答案是，这取决于。
如果您使用任何类型的 Deep net，那么 40 张图像太少了。更深入地描述您的问题设置可能会有所帮助。袋子总是在同一个地方，还是需要先本地化？这些细节可以帮助其他用户进行推荐。
作为第一种方法，在您尝试深度网络或任何类型的机器学习之前，我会先尝试一个简单的基线。你知道你的绿色条纹的确切像素值是多少吗？然后，您可以简单地检查这种颜色是否存在。这相当粗略，但我会看看这能让你走多远，很高兴看看你的 ML 方法是否能超越这个简单的基线。随后，您还可以考虑尝试对行李标签进行本地化（以您喜欢的任何方式），然后对其进行裁剪并检查该绿色条纹的存在。
1）您可以上传示例图片吗？会更容易做出决定。
2）您的数据集非常小，从头开始训练任何重要的东西肯定会过度拟合模型。采用一个现有的模型，它知道什么是包（例如 Mask R-CNN），并通过更改损失函数和一些架构对其进行微调以适应您的问题。
3) 实际框架无关紧要：使用您认为方便的框架。
假如说
- 包在自由/不受约束的环境中
- 您实际上是在寻找标签中的条形码
我建议以下管道：
1 - 使用预训练的 YOLOv3模型检测袋子
2 - 检测标签
- 创建一个标签检测器，理想情况下使用带有 40 个标签图像数据集的旋转不变特征（例如 HOG）。您可以执行数据扩充（旋转和缩放就足够了）以增加数据集的大小。
- 您还可以使用图像配准进行基于特征的匹配（参见12,13 和 14 课的讲义）
3 - 估计并执行仿射变换以“正面化”标签
参见第 14 课的讲义。
执行条形码分割然后读取它
参见第 6 课的讲义。