给定的深度 cnn 模型性能如何随着分类、对象检测分割等任务中的类数量而变化？
例如，mobilenet v2 在使用 PASCAL VOC 的分类任务上给出了大约 90% 的准确率；现在，如果我们只用 2 个类（比如人和狗）训练同一个网络，它将如何影响准确性、速度和模型大小？（比如，使用 tensorflow）。还有对象检测和语义分割等任务的情况（尤其）？
我们可以使网络更小以从更小的数据集（2 类）中学习以达到相同或更好的精度和速度吗？
基于 CNN 的具有多个类的深度模型的性能
数据挖掘
深度学习
图像分类
卷积神经网络
2022-01-30 22:11:28
1个回答
您可能想看看我在硕士论文中描述的层次分类思想。
简而言之：
- 如果我遇到需要区分 42 种狗和 30 种猫的问题，我很可能只为类。采取两步法（首先是猫对狗，然后是猫品种/狗品种）似乎并没有给出更好的结果，而且肯定更复杂
- 您拥有的课程越少，错误分析就越简单
- 多个类别/倾斜数据的单一准确度分数没有意义。例如，如果您有两个模型都具有 90% 的准确率，那么一个模型可能比另一个模型好得多。
其它你可能感兴趣的问题