开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

CNN在随机图像上表现不佳，尽管在训练和测试中有很好的准确性

CNN（卷积神经网络）是一种深度学习模型，广泛应用于图像识别和计算机视觉任务中。尽管CNN在训练和测试数据集上表现出很好的准确性，但在随机图像上表现不佳的原因可能有以下几个方面：

数据集不平衡：如果随机图像的分布与训练和测试数据集的分布不一致，CNN可能无法准确地识别和分类这些图像。解决这个问题的方法是使用更多的随机图像进行训练，或者使用数据增强技术来扩充训练数据集。
迁移学习不适用：CNN在训练和测试中表现良好的原因之一是它们通常在大规模的图像数据集上进行预训练，如ImageNet。然而，如果随机图像与预训练数据集之间存在很大的差异，迁移学习可能无法有效地应用。在这种情况下，可以尝试使用更适合随机图像的预训练模型或者进行自适应的迁移学习方法。
噪声和干扰：随机图像可能包含噪声、干扰或不相关的特征，这些特征可能会干扰CNN的分类能力。为了解决这个问题，可以使用图像处理技术对随机图像进行预处理，去除噪声或干扰，或者使用更复杂的模型结构来提取更具鲁棒性的特征。
模型过拟合：如果CNN在训练数据上过度拟合，即过度记忆了训练数据的特征，可能导致在随机图像上的表现不佳。为了避免过拟合，可以使用正则化技术（如L1或L2正则化）、dropout等方法来减少模型的复杂度或增加数据集的多样性。

腾讯云相关产品和产品介绍链接地址：

腾讯云AI开放平台：https://cloud.tencent.com/product/ai
腾讯云图像识别：https://cloud.tencent.com/product/imagerecognition
腾讯云自然语言处理：https://cloud.tencent.com/product/nlp
腾讯云机器学习平台：https://cloud.tencent.com/product/ml
腾讯云视频智能分析：https://cloud.tencent.com/product/vca
腾讯云物联网平台：https://cloud.tencent.com/product/iotexplorer
腾讯云移动开发平台：https://cloud.tencent.com/product/mobdev
腾讯云对象存储：https://cloud.tencent.com/product/cos
腾讯云区块链服务：https://cloud.tencent.com/product/tbaas
腾讯云虚拟专用网络：https://cloud.tencent.com/product/vpc
腾讯云安全产品：https://cloud.tencent.com/product/safety

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

2024年YOLO还可以继续卷 | MedYOLO是怎么从YOLO家族中一步一步走过来的？

在轴视图上，使用每个示例（0，+-8和+-17度）的五个不同基础旋转角度将训练扫描旋转，每个示例还具有+-3度的额外随机扰动。对每个图像的分割掩膜应用相同的旋转，然后为旋转示例生成边界框标签。...使用了三种活增强方式：随机裁剪增强，其中将图像中的随机大小的块替换为随机噪声，随机平移增强和随机缩放增强。...尽管MedYOLO几乎完全捕获了目标体积，但nnDetection在高IoU处表现不佳。进一步调查发现，nnDetection框架的预测高度局部化到目标体积，但覆盖的目标体积很少。...尽管在中等大小的和更大尺寸的结构上的结果良好，但MedYOLO在识别非常小结构和罕见类别的任务上遇到了困难。在训练期间，MedYOLO在测试的任何配置下都无法在LIDC数据集上展示任何学习进展。...特别是，在BRaTS肿瘤检测上的表现，尽管MedYOLO-S取得了相当 modest 的结果并提前停止训练，而MedYOLO-L无法收敛，表明模型可能缺少相关信息。

4641 0

如何使用Faster R-CNN来计算对象个数

准确地在给定的图像或视频帧中计算对象个数的实例是机器学习中很难解决的问题。尽管许多解决方案已经被开发出来，用来计算人、汽车和其他物体的数量，但是没有一个是完美的办法。...这篇论文的结果可以用GitHub上的代码进行复制。在上述的论文中，像CCNN和Hydra CNN这样的方法在给定不同类型的对象的情况下表现不佳，因此需要采取不同的方法。...在机器学习领域(特别是卷积神经网络的深度学习)中，有一种非常有趣的方法，叫做基于区域的卷积神经网络(R-CNN)，我们可以在一个给定的图像上识别多个物体及其位置。...Fast R-CNN建立在之前的工作上，以有效地利用深度卷积网络对对象提议进行分类。与R-CNN相比，Fast R-CNN引入了一些改进训练和测试速度的创新，以及检测的准确性。...这种方法的缺点主要是它的速度，无论是在训练过程中，还是在实际测试期间。

2.2K4 0

Let There Be Light: Improved Trafﬁc Surveillancevia Detail Preserving Night-to-Day Transfer

KPN网络与目标检测任务一起训练，以使训练的日间模型直接适应夜间域。在日间和夜间车辆视频数据集上的实验结果验证了所提出方法的准确性和有效性。...尽管如此，它们中的大多数在白天、有利的照明条件下运行良好，而在具有挑战性照明条件的夜间场景中表现不佳。此外，夜间图像的手动注释既困难又耗时，因为在不利的夜间场景中，即使是人类也无法清楚地辨别物体。...尽管基于GAN的方法进行的未配对图像翻译在风格转移中很受欢迎，但由于常见的现有下采样和上采样网络操作，生成的图像可能缺乏细节。...详细的实验设置如下：1）场景1：我们以有监督的方式在数据集Day训练上直接训练一个更快的R-CNN模型，并分别在Day normal和Day拥塞测试图像；2）场景2：对于旨在获取白天和夜间图像对的基于样式转移的...然后，我们在夜间图像上测试训练后的模型，用于车辆检测。对比结果见表三。我们比较了夜间交通图像的每个子集的mAP形式的检测结果和所有图像的平均mAP。

1862 0

. | 序列到功能的深度学习框架加速工程核糖调节剂设计和优化

此外，作者将这两个模型扩展到重新设计表现不佳的支点，从而创建了基于NLP，以核苷酸为中心的语言模型（NuSpeak）和基于CNN和序列的支点优化与重新设计模型（STORM），分别优化了病原体传感器和作为合成回路组件的支点...尽管最上层序列在GC含量和MFE分布上均显示出统计学上的显着变化，但由于它们的可接受值范围广，这些属性缺乏足够的预测能力。...尽管对较小的数据集进行了训练，但相对于加扰和混洗的序列，两个模型都能够生成有意义的预测，总的来说，这些数据证明了这些体系结构在训练比预期少得多的数据时的强大功能。 ?...经过预训练的LM在数据集上表现不好，作者通过在测试数据集上微调预训练语言模型来构建更具预测性的模型。作者将168个自由触发序列作为第二个较小的训练集。...相关实验证明，STORM和NuSpeak能够有效提高设计出的支点开关性能，并在稀疏数据上进行可靠预测，另外可以通过迁移学习来构建预测性很好的模型扩展到其他数据集上。

4823 0

天啊，你要的智商已下线——用我们的IQ测试题研究测量神经网络的抽象推理能力

为了成功应对这一挑战，模型必须应对训练和测试阶段不同数据方法情况下的各种泛化情况，我们展示了即使是在训练集和测试集的差别很小的情况下，像 ResNet 这样的模型也难以取得很好的泛化表现。...如果模型在该测试集上表现良好，即使是训练时从未见过的数据情况下也是如此，就证明了我们的模型具有推断和应用抽象概念的能力。...▌抽象推理模型在机器学习评估中所应用的典型的泛化方案中，训练和测试数据是服从相同的基础分布采样的，所测试的所有网络都表现出良好的泛化误差，其中有一些绝对性能甚至超过75％，实现了令人印象深刻的结果...▌实验分析为了验证抽象推理模型，我们在 PGM 数据集上进行了大量的实验测试，并对比分析了不同模型的表现，不同类型问题模型的表现，模型的泛化表现，辅助训练对模型表现的影响。...其中的成功取决于一系列因素，包括所用模型的架构以及模型是否经过训练来为其答案选择提供可解释的推理等。在几乎所有的情况下，在超出模型经验范围的外推输入或用于解决完全不熟悉的属性问题时，模型都会表现不佳。

6955 0

使用 CLIP 对没有任何标签的图像进行分类

除了学习丰富的图像表示之外，CLIP 通过在不观察单个标签的情况下在 ImageNet 上实现 76.2% 的测试准确率，彻底改变了零样本图像分类——与之前SOTA的零样本学习框架的11.5% 测试准确率相比有了显着改进...然而，由于此类方法相对于替代方法（例如，监督训练、弱监督等）表现不佳，因此在 CLIP 提出之前，通过自然语言进行的训练仍然不常见。相关的工作使用 CNN 预测图像说明。...尽管这种方法的零样本性能很差（即在 ImageNet 上的测试准确率为 11.5%），但它表明仅使用自然语言就可以产生远远超过随机性能的零样本图像分类结果，从而初步证明弱监督零样本分类的概念。...直觉上，这些任务的良好表现是由于 CLIP 在训练期间接受的广泛监督以及图像说明通常以动词为中心的事实，因此与动作识别标签的相似性高于数据集中使用的以名词为中心的类，例如图片网。...使用 CLIP 的完全监督线性分类器性能尽管 CLIP 的性能并不完美（即，它在专门的任务上表现不佳，并且仅适用于对每个类别都有良好文本描述的数据集），但 CLIP 实现的零样本和少样本结果预示了高概率产生的可能性

2.7K2 0

效率新秀 | 详细解读：如何让EfficientNet更加高效、速度更快

作者发现这3种方法都提高了训练和推理的实际效率。 2研究背景 2.1 Efficient CNNs分析在CNN的发展过程中，实际训练效率的提高是创新的重要力量。...例如，虽然EfficientNets在理论训练效率方面远远优于ResNets，但当考虑到GPU上的实际训练效率时经常被发现表现不佳。最近的一些工作也已经开始使用NAS来优化GPU的实际效率。...这种加速器与通常用于神经网络训练的GPU有很大的区别。IPU计算在芯片上分布在1472个核心中，尽管它的指令仍然是向量化的，但要充分利用计算引擎，只需要16项的点积即可。这有助于减少对计算结构的依赖。...然而，作者希望改进的网络提供更好的性能和训练时间之间的权衡。因此对EfficientNet B0和B2的Group规模在G=1和G=64之间进行了测试。...从这一研究中获得了灵感，研究了在低分辨率图像上训练的网络的微调，并从效率的角度将其推广到更大的分辨率。

1.8K2 0

Improved Traffic Surveillance via Detail Preserving

解决这个问题的一个传统方法是在有限的夜间数据上对已经训练好的日间感知模型进行微调，希望它能在夜间场景中表现良好，但它需要额外的时间和额外标记的夜间数据来进行模型微调。...具体的实验设置如下:1)场景1:我们在数据集Day-training上直接监督训练Faster R-CNN模型，分别在Day-normal和day - congestion上测试图像;2)场景2:针对基于风格转换的...我们用训练好的日间模型Faster R-CNN[22]作为基线，直接测试夜间图像的方法。...日-夜图像转换方法UNIT[12]、CycleGAN[11]和GcGAN[46]的表现优于或可与基线Faster R-CNN相比较，后者直接用iv . c秒的日间模型对夜间图像进行测试。...基于UNIT、CycleGAN和GcGAN的方法不能很好地检测出光照条件较差的车辆，并且遗漏了很多黑色车辆，而没有任何图像平移的Faster R-CNN由于白天和夜间场景的域漂移而表现不佳。?

9541 0

目标检测：速度和准确性比较（Fater R-CNN，R-FCN，SSD，FPN，RetinaNet和YOLOv3）

VOC 2012 for R-FCN （对某些结果使用了多尺度的训练和测试。） MS COCO上的结果 ?...对于以下呈现的结果，使用PASCAL VOC 2007和2012数据对模型进行了训练。mAP是使用PASCAL VOC 2012测试仪测量的。...使用残差网络(Residual Network)的R-FCN模型在准确性和速度之间取得了很好的平衡，如果我们将proposals数量限制为50个，则使用Resnet的Faster R-CNN可以达到类似的性能...它在COCO测试仪上的mAP @ [.5，.95]达到41.3％，并且在定位小物体方面取得了显着改进。 ?...Faster R-CNN每个图像至少需要100毫秒。仅使用低分辨率特征图进行检测会严重影响准确性。输入图像分辨率会严重影响准确性。

14.3K1 0

集检测与分类于一身的LVLane来啦 | 正面硬刚ADAS车道线落地的困难点

从CARLA模拟器创建的合成数据集用于训练模型并在真实世界的图像上进行测试。该模型在检测部分表现出令人满意的性能，但在分类部分表现出不令人满意的表现，这表明模拟与真实情况之间存在差距。...因此，在这些数据集上训练的模型在明亮的光线条件、部分可见的车道标记和Botts点车道中表现不佳。因此，作者认识到有必要建立一个新的数据集，包括具有挑战性的场景，作者通过驾车穿越城市地区收集这些场景。...尽管它们在作者的特定图像上表现不佳，但这些模型的深层架构本质上是为了从相关数据源中获取复杂的特征而设计的。通过采用微调技术并利用作者要求苛刻的数据集来集中精力获取显著的特征，作者预计性能会显著提高。...此外，当作者使用仅TuSimple训练的模型评估LVLane测试集时，作者观察到性能下降。TuSimple+LVLane在TuSimple测试集的检测和分类准确性方面表现最佳。...作者的模型的有效性在TuSimple测试集图4和加州理工学院测试集图5上获得的结果中表现得很明显，它证明了对实线和虚线车道类型的准确检测和分类。

7136 0

计算机视觉怎么给图像分类？KNN、SVM、BP神经网络、CNN、迁移学习供你选（附开源代码）

图像分类问题就是从固定的一组分类中，给输入图像分配标签的任务。这是计算机视觉的核心问题之一，尽管它看似简单，却在实际生活中有着各种各样的应用。传统方式：功能描述和检测。...因此，我们想要比较一下我们在课堂中学到的算法与CNN和迁移学习算法的性能。目标我们的目标是：将KNN、SVM和BP神经网络，与通常用于工业中图像分类问题的算法进行比较，例如CNN和迁移学习。...通过分割可以将80％的图像放入主要训练集中，保持10％作为训练期间的验证，频繁运行，然后将最终10％的图像用作测试集，以预测分类器在现实世界的表现。...他们在具有多种类别的复杂图像的分类中并不具备良好的性能。但是，与随机猜测相比，他们确实做了一些改进，但这还远远不够。基于此结果，我们发现为了提高准确性，必须采用一些深度学习的方法。...裁剪或调整图像大小使其更小。随机选择一个小批量进行每次迭代训练。在验证集中随机选择一个小批量进行验证，在训练过程中经常报告验证的得分情况。

3.6K12 1

无论如何，这是哪条鲸鱼？利用深度学习对鲸鱼进行人脸识别

尽管有人说这些技术需要大量的数据（而且我们只有4544个训练图像可用，而一些鲸鱼在整个训练集中只出现一次），但我们仍然能够生成一个性能良好的模型，证明了这一点即使在有限的数据上，CNNs也是一个强大的工具...人们不需要从数据集中看到许多图像，为了意识到到鲸鱼姿态不佳（或者至少在这种特殊的情况下不愿意这样做）。不太合作的鲸鱼。因此，在训练最终分类器之前，我们花了一些时间（和精力）来说明这个事实。...这些注释等同于给训练集中的每个图像提供四个数字：矩形的左下角和右上角的坐标。然后我们开始训练一个采用原始图像的CNN（调整为256×256）并输出边界框的两个坐标。...首先它需要预测图像上的鲸鱼（即解决原始任务）。此外，它需要判断鲸鱼头部的粗糙模式是否连续（再次进行手动注释训练，尽管这次的工作量少得多，因为每只鲸鱼观看2-3个图像就足够了）。...相反，主要时间开销是在JPEG文件解码为一个numpy数组的过程中。我们做了一个快速的基准测试，数据集中有111个随机原始图像，总计85Mb。读取它们，当它们没有被缓存在RAM中花费了约420毫秒。

1.4K5 0

Mamba入局遥感图像分割 | Samba: 首个基于SSM的遥感高分图像语义分割框架

我们在LoveDA数据集上对Samba进行了评估，并将其性能与表现最佳的CNN和ViT方法进行了对比。结果显示，Samba在LoveDA上取得了杰出的表现。...通过执行滑覆盖图像数据的卷积操作，CNN能够有效地从图像的浅层到深层提取语义特征，成为许多图像处理任务的基石。然而，如图1（a）所示，CNN中有限的感受野在处理高分辨率图像时呈现出挑战。...与表现最佳的CNN进而ViT方法相比，在未加载预训练参数的情况下，Samba在LoveDA上展现了卓越的性能表现。...包括CNN-based的方法，如ConvNeXt、ResNet、Deeplab V3+和PSPNet，以及ViT-based的方法，如Swin-T。为了确保公平比较，测试的方法都未加载预训练参数。...这些方法的优化器和学习率策略设置遵循广泛采用的最佳配置。我们使用随机调整大小、随机裁剪、随机翻转和光度畸变来增广训练数据。具体的训练设置在表1中总结。

1351 0

DL | 语义分割综述

用条件随机场优化来自 CNN 的原始标签一般都是「缺失（patchy）」图像，在图像中有一些小区域的标签可能不正确，因此无法匹配其周围的像素标签。为了解决这种不连续性，我们可以用一种平滑的形式。...这一步使 CNN 编码器-解码器变得更加鲁棒以抵抗这些形变，并能从更少的训练图像中进行学习。当它在少于 40 张图的生物医学数据集上训练时，IOU 值仍能达到 92%。...通过这样的构造，Dilation10 在 Pascal VOC 2012 测试集上的平均 IOU 值达到了 75.3%。其他训练方案我们最近的训练方案偏离了分类器和 CRF 模型。...L_t 是一个可以捕获预测分割和真实分割之间差异的损失函数他们比较了模型在不同时间尺度的表现：在 Cityscapes 数据集上评估下一帧（短时间）、下一个 0.5 秒（中等时间）和下一个 10 秒...他们发现，在时间较长时模型的表现不佳，但是在短期和中期时间范围中，模型性能都很好。

9592 0

入门 | 一文了解什么是语义分割及常用的语义分割方法有哪些

用条件随机场优化来自 CNN 的原始标签一般都是「缺失（patchy）」图像，在图像中有一些小区域的标签可能不正确，因此无法匹配其周围的像素标签。为了解决这种不连续性，我们可以用一种平滑的形式。...这一步使 CNN 编码器-解码器变得更加鲁棒以抵抗这些形变，并能从更少的训练图像中进行学习。当它在少于 40 张图的生物医学数据集上训练时，IOU 值仍能达到 92%。...通过这样的构造，Dilation10 在 Pascal VOC 2012 测试集上的平均 IOU 值达到了 75.3%。其他训练方案我们最近的训练方案偏离了分类器和 CRF 模型。...他们比较了模型在不同时间尺度的表现：在 Cityscapes 数据集上评估下一帧（短时间）、下一个 0.5 秒（中等时间）和下一个 10 秒（长时间）的表现。...他们发现，在时间较长时模型的表现不佳，但是在短期和中期时间范围中，模型性能都很好。

1.3K7 0

「彩票假说」告诉你关于剪枝的一切

但是成本很贵……大量的计算资源、训练，还有碳足迹和AI研究的商业化，这些成本给人工智能界带来了若干挑战。尽管AI研究员在降低运行深度学习模型的成本方面取得了进步，但降低训练成本的更大问题仍未解决。...实验是在VGG-16和ResNet的三个变体「两个流行的卷积神经网络（CNN）」上进行的。...但是，这些方法都无法达到基准训练后剪枝的准确性。总体而言，这些方法取得了一些进展，通常胜于随机剪枝。然而，就整体准确性和可以达到完全准确性的稀疏性而言，训练后的进展仍然远远不够。...研究人员试验多种早期剪枝方法对早期剪枝方法的测试表明，它们对随机改组和重新初始化具有强大的抵抗力，这表明它们没有在目标神经网络中找到特定的剪枝权重为了测试剪枝方法为何表现不佳，AI研究人员进行了几次测试...SNIP和SynFlow这两种方法对反演显示出极大的敏感性，而其准确性却下降了，这是一件好事。但是，在减去剪枝后的权重后，GraSP的性能并没有降低，在某些情况下，它甚至表现更好。

5283 0

入门 | 一文了解什么是语义分割及常用的语义分割方法有哪些

用条件随机场优化来自 CNN 的原始标签一般都是「缺失（patchy）」图像，在图像中有一些小区域的标签可能不正确，因此无法匹配其周围的像素标签。为了解决这种不连续性，我们可以用一种平滑的形式。...这一步使 CNN 编码器-解码器变得更加鲁棒以抵抗这些形变，并能从更少的训练图像中进行学习。当它在少于 40 张图的生物医学数据集上训练时，IOU 值仍能达到 92%。...通过这样的构造，Dilation10 在 Pascal VOC 2012 测试集上的平均 IOU 值达到了 75.3%。其他训练方案我们最近的训练方案偏离了分类器和 CRF 模型。...他们比较了模型在不同时间尺度的表现：在 Cityscapes 数据集上评估下一帧（短时间）、下一个 0.5 秒（中等时间）和下一个 10 秒（长时间）的表现。...他们发现，在时间较长时模型的表现不佳，但是在短期和中期时间范围中，模型性能都很好。

7712 0

使用深度学习自动识别限速标志：这里有一份Keras和TensorFlow教程

keras模型来进行实验的，其中，该模型在训练数据方面表现出色，但在测试数据方面表现不佳。...我们使用Keras库运行CNN。 Keras是一个建立在Tensorflow和Theano上的高级API（Theano不再进行维护）。...对于一个没有进行任何超参数调整的模型来说这是很好的性能表现，让我们看看模型在训练数据集上的精确度。...我们的模型对于来自测试数据集的10个随机采样图像，正确预测出了8个图像。...结果很不错，而之前当我在测试数据集上获得了95％的精确度时，它正确预测出了10/10个图像。

1.5K7 0

基于深度学习的物联网恶意软件家族细粒度分类研究

近年来随着深度学习的不断发展和其在图像识别、语音识别、自然语言处理等领域所表现出的巨大优势，科研人员开始使用深度学习的方法对网络流量的识别和分类进行研究。...流量数据特有的ip地址和MAC地址等信息可能会影响分类特征的提取，为了消除这些因素的影响，需要对数据链路层的MAC地址和IP层的IP地址进行随机替换；为了保证CNN训练时不会造成数据偏差，还需要对数据进行去重...图2.3 同类别数据内部的一致性 3模型训练和测试物联网恶意软件家族数据经过预处理之后和经典的MNIST手写体识别数据集的尺寸相同，所以采用和LeNet-5结构非常相似的CNN网络作为训练和测试的模型...learning_rate：1e-4 train_round：20000 将训练集输入模型中对模型进行训练，最后在测试集上的总体准确率为99.1%，各个家族的准确率和召回率如表2.3所示。...表2.3 各个家族在测试集上的准确率和召回率 ? 可以看出，模型经过多轮次的训练，在大多数家族上都表现出较好的性能，但由于4、5、8、11家族数据量过少，导致测试性能表现不佳。

1.8K2 0

基于图像的三维物体重建：在深度学习时代的最新技术和趋势之人脸重建和场景分析

Richardson[3]通过从可变形模型中随机抽取样本并渲染生成的面来生成合成训练数据。然而，当面对闭塞、异常光照或没有很好表现的类别时，接受纯合成数据训练的网络可能表现不佳。...这种方法不仅提高了先前作品的准确性，而且还生成了通常可以识别为原始对象的三维重建。 1.3无模型方法基于可变形模型的技术仅限于建模子空间。因此，在训练数据范围之外，难以置信的重建是可能的。...传统上，这些任务中的许多都是使用手工制作的功能来完成的。在基于深度学习的时代，上诉的几个模块已经被cnn取代。...注意，尽管有些转换是保持相似性的，但它们仍然丰富了数据集。还可以从现有的三维模型中综合渲染来自各种（随机）视点、姿势、照明条件和背景的新的二维和2.5D（即深度）视图。...它们也可以覆盖自然图像或随机纹理。然而，这会导致域移位问题，即合成图像的空间与真实图像的空间不同，当在完全不同类型的图像上测试方法时，这通常会导致性能下降。

9893 0

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭