快来追我呀

  • 7

    获得赞
  • 0

    发布的文章
  • 3

    答辩的项目

最新的模型不一定是最合适的!从经典模型研究室内场景识别任务~

Batch大小为64,循环次数为15次,通过在线上环境完成训练,模型最优精度评分为86.08。

室内场景识别
PyTorch SENet
最后更新 2020/03/13 18:09 阅读 1065

室内场景识别

最后更新 2020/03/13 18:09

阅读 1065

PyTorch SENet

一、赛题分析 

本数据集一共包括67个室内场景类别,总共15620张图片,每个类别至少有100张图像,其中训练集、验证集和测试集划分比例为6:2:2. 

  • 室内场景识别的数据集有好几种,可以查找到SUN397, Scene15, SUN Attribute, Places205, Places365这些常见的用于论文结果检测的数据集;
  • 查找论文也可以发现近几年的较新的相关方法,但方法都未开源,所以还是选择使用普通的分类模型进行分类。


二、 核心思路 

既然已经找到了相关的数据集,我们也就可以找到在这些数据集上训练出来的权重,可以上传权重进行预训练,对比和imagenet预训练权重下的模型哪个效果较好。

  1. 进行模型选择的时候不一定要去尝试最新的效果最好的模型,我们可以从比较经典的模型入手,如resnet,densenet等去开始进行尝试,同时也可以发现在这几个模型下才有同类数据集的预训练权重,所以选择这类模型是比较合适的。
  2. 训练时图片大小可以设置为大一点,不一定要局限在224这样的参数下,因为我们查看样例图片发现几乎所有的都在224以上,所以可以慢慢将batchsize降下来,把图片大小升上去查看效果。
  3. 数据增强可以考虑上下左右翻转的操作。训练过程中采用分阶段降低学习率,以一个较大的学习率训练几个epoch之后,降低学习率再训练几个epoch,过程中保存最佳的测评效果权重。 


三、比赛经验总结 

  • 经验主要是要去尝试更多的模型,使用更多的trick去提高准确率,查找类似的论文去查看论文中是否有提及说使用某些操作可以提升在同类数据集上的效果,如果没有开源代码,可以尝试自行编写代码去实现查看效果。
  • 同时最好将每一次有所提升或者下降的操作都记录下来,避免后期反复尝试之前已经进行过的操作,浪费时间也浪费fai币。
本文为作者在FlyAI平台发布的原创内容,采用知识共享署名-非商业性使用-禁止演绎 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/n/94574
立即参加 室内场景识别
代码展示

PyTorch SENet

选择查看文件
$vue{codeKeys}
  • $vue{ix}
赞赏贡献者还可以查看和下载优质代码内容哦!
赞赏 ¥30.16元
©以上内容仅用于在FlyAI平台交流学习,禁止转载、商用;违者将依法追究法律责任。
讨论
500字
表情
每日优质讨论奖励 20FAI
发送
每日优质讨论奖励 20FAI
删除确认
是否删除该条评论?
取消 删除
感谢您的关注
该篇内容公开后我们将会给你推送公开通知
好的
发布成功!
您的公开申请已发送至后台审核,
通过后将公开展示本详情页!
知道了
向贡献者赞赏
¥30.16
微信支付
支付宝

请先绑定您的微信账号 点击立即绑定

立即支付
温馨提示:
支付成功后不支持申请退款,请理性消费;
支付成功将自动解锁当前页面代码内容,付款前请确认账号信息。
微信扫码支付
请前往Web网页进行支付

敬请谅解,如有疑问请联系FlyAI客服

知道了
举报
请选择举报理由
确定
提示
确定要删除?
取消删除

今日签到成功

获得 $vue{sianData.sign_fai} FAI的GPU算力积分

知道了