我正在尝试建立一个地板类型的图像分类模型。有一个名为OpenSurfaces的开放数据集，其中包含按房间上出现的每个项目的材料类型分割的图像。
像这样的东西：
我认为使用这个数据集来训练地板检测模型会是一件好事，所以我编写了一个脚本来提取我想要检测的材料（木材、瓷砖、地毯、大理石、石头……）。这些是我通过脚本获得的图像的一些示例：
木质材料：
瓦：
地毯：
然后我训练了一个 CNN，但我只有 70% 的准确率，如果我走的是正确的道路，我现在真的没有。是用我提取的图片训练模型更好，还是用整个房间的图像训练它更好，而不是分割的部分？
我很迷茫，所以任何指导将不胜感激。
目前尚不清楚您要做什么（地板检测或只是分类）。
如果您的任务是对不同类型的地板进行分类，则可以只使用分段部分。但是如果你想检测地板并对其进行分类，你也必须给你的模型一些负面的例子（它也需要学习非地板的样子）。
但是，通常最好在完整图像上训练模型。即使只是一个地板分类任务，图像的上下文也可以提供帮助（厨房增加瓷砖的概率，卧室增加木地板的概率等）。
我认为你可能过度思考和过度设计这个。答案很简单：您应该始终使用与预测周期中的数据最相似的数据进行训练。
在您的情况下，根据您的架构方式，您可能会进行“延长”的预处理期，在此期间您可以拍摄图像，首先找到地板，然后对纹理饰面（或其他任何东西）进行分类。所以它实际上可能是多种算法的组合，但我会让你决定。
无论如何，您应该始终考虑输入数据的样子——在预测时，而不是建模时——并相应地进行。
似乎数据库有一些非常部分/错误的信息，可能会“混淆” ML - 请参阅下面的“平铺”实例示例，这显然是错误的（请参阅标记为 #1 的黄色小三角形）。
一个好的数据集必须与您试图“教”机器进行分类的内容保持一致。
你是如何为你的学习过程过滤训练/验证集的？
