计算机视觉之图像分类-FlyAI

计算机视觉之图像分类

CNN

最后更新 2022-05-06 20:05 阅读 3953

最后更新 2022-05-06 20:05

阅读 3953

CNN

蘑菇分类
赛题背景:
         本次赛题背景是日常生活中蘑菇类别较多，而其中包含了很多有毒蘑菇，人很难辨别，容易引起误食，该比赛想通过深度学习的方法帮助人们识别出毒蘑菇。本次竞赛使用的数据集由北欧真菌学家协会提供的9 种常见北欧蘑菇属的图像组成。

赛题分析：

这个题目就是一个图像分类问题，给定了6045张图片作为训练集，675张图片作为测试集，对于线下的10%数据。

实验过程：

1、5折交叉划分训练集和验证集，遍历每一个类别，训练与验证数据比例大致相同

2、试验了各种分类模型

3、预测的时候使用水平翻转求平均的简单策略

4、测试各种超参数 batchsize,学习率，增强策略，优化器，损失函数等

提分的一些操作：

1、标签平滑

2、模型选择 Swim-Transformer

3、数据集划分 9:1验证集有过拟合问题，8:2稍微好一些

4、模型融合

5、随机裁剪、随机擦除

6、tta

最终模型和参数：

（1）数据集划分:     训练集5折交叉 训练集:验证集=8:2

（2）模型选择:     Swim-Transformer    预训练模型: swin_large_patch4_window12_384_22k.pth

（3）inputsize： 383*384

（4）batchsize： 4

（5）max_epochs: 30

（6）学习率：    阶梯下降学习率

def lr_scheduler(optimizer, epoch):

if epoch < 10:

lr = 1e-3

elif epoch < 20:

lr = 1e-4

else: lr = 1e-5

for param_group in optimizer.param_groups:

param_group['lr'] = lr

return optimizer

（ 7）优化器:

self.optimizer = optim.SGD((self.model_ft.parameters()), lr=1e-3, momentum=momentum, weight_decay=0.0005)         （8）损失函数：

LabelSmoothingCrossEntropy(smoothing=0.1).cuda()

（9）增强策略:

训练集: 随机裁剪、水平翻转、随机擦除

验证集：简单缩放

data_transforms = {

'train': transforms.Compose([

transforms.RandomResizedCrop((input_size, input_size)),

transforms.RandomHorizontalFlip(),

transforms.ToTensor(),

transforms.RandomErasing(p=0.5, scale=(0.02, 0.33), ratio=(0.3, 3.3), value=0, inplace=False),

transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])  ]),

'val': transforms.Compose([

transforms.Resize((input_size,input_size)),

transforms.ToTensor(),

transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])         ]),

（10）测试增强：

正常图片+ 水平翻转 -> 求平均

（11）融合策略：

保存每折训练过程中最大Acc和最小Loss的模型，数据集5折交叉，共5*2=10个模型进行融合

教训总结:

1、过早的模型融合，忽略了单个模型的性能比较

2、验证集过拟合问题

3、代码没有线下测试，导致线上出问题，浪费了很多实验时间

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可，转载请附上原文出处链接和本声明。
本文链接地址：https://flyai.com/article/994

讨论

500字

表情

发送

删除确认

是否删除该条评论？

取消删除