RoomNet - 一个轻量级的ConvNet（700 KB）

卷积神经网络对房屋/公寓的不同房间的图片进行分类，在1839幅图像上具有88.9％的验证准确度。

GitHub链接

https://github.com/ironhide23586/RoomNet

完整演示文稿

https://github.com/ironhide23586/RoomNet/raw/master/documentation/RoomNet%20Presentation.pptx

这是一个自定义神经网络，我将输入图像分类为以下6个类之一（按其类ID的顺序） -

• 后院
• 浴室
• 卧室
• 前院
• 厨房
• 客厅

建筑

建筑模块

完整的网络架构

开箱即用的推论

infer.py中的优化推理代码。请参阅main方法中调用classify_im_dir方法的短代码。

训练

• 输入图像尺寸= 224 x 224（试用300 x 300,600 x 600）
• Softmax交叉熵损失与L2权重标准化一起使用
• 学习率从0（最初）到0.3（间歇性地接近训练结束）变化。每个块后放置辍学图层。
• 批量标准化移动装置和变量在受到辍学训练时被冻结
• Adam Optimizer使用指数学习率衰减。
• 最初使用BatchNorm移动装置/ vars的批量计算进行训练。通过训练网，通过禁用此计算并在训练期间使用冻结手段/变量来跟随此。导致验证准确率立即上升10％。
• 批量大小从8（从开始）到45（向训练结束）变化为-8-> 32-> 40-> 45
• 异步数据读取器采用基于队列的架构设计，即使批量较大，也可在训练期间实现快速数据I / O.

转换为推理优化版本

• 从Tensorflow图中丢弃所有反向传播/训练相关的计算节点。
• 模型大小从~2 MB减少到~800 KB。
• network.py包含定义名为“RoomNet”的模型的类
• 输出是一个excel文件，将每个图像路径映射到其标签。还可以将输入目录拆分为与类名对应的目录，并自动填充相应目录中的相关图像。

训练环境

• 在拥有8GB GPU内存的NVIDIA GTX 1070笔记本级GPU上使用Tensorlfow + CUDA 10.0 + cuDNN进行的训练
• 使用的计算系统是Alienware m17 r4。
• 使用的CPU是Intel Core i7 - 6700HQ，具有8个逻辑内核，基本速率为2.6 GHz（turbo boost至~3.3 GHz）
• 从头开始到达最佳模型的训练步骤数量为157,700。
• 花在训练上的时间 - 约48小时

以前的方法尝试过

• 尝试训练最终密集的NASnet移动，但准确度从未超过60％。
• 尝试与InceptionV3一样，但收敛太长了。

表现图

验证准确性

验证分类F-Score

验证分类精度

验证分类回忆