有什么改进我的 CNN 模型的建议（总是同样低的测试精度）？

Question

我正在做一个项目来检测一幅画中是否存在一个人。我有 4000 张训练图像和 1000 张测试图像调整为 (256,256,3)

我尝试了一个包含 3 个（Conv 层、MaxPool、BatchNormalization）和 2 个完全连接层的 CNN 模型。

model = Sequential()
model.add(Conv2D(32, kernel_size = (7, 7), activation='relu', input_shape=shape))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(BatchNormalization())
model.add(Conv2D(64, kernel_size=(7,7), activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(BatchNormalization())
model.add(Conv2D(96, kernel_size=(5,5), activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(BatchNormalization())

model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(32, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(1, activation = 'sigmoid'))

训练精度总是收敛到 1（只有 20-50 轮），测试精度始终保持在 0.67 左右。

我尝试了以下方法：

我尝试更改层的大小并添加更多层。
我试过数据扩充
我尝试了较小的图像 128x128x3。

但我总是得到相同的结果。

不知道是我图少的缘故，还是建筑不够大，学不来复杂的画。

我想尝试迁移学习（但我不知道这是否有帮助，因为这是我第一次尝试）。另外，你知道我在哪里可以找到训练有素的模型吗？

所以，我正在征求一些建议来改进我的模型。

Answer 1

可能是你对你的训练数据过度拟合了，在这种情况下你可以使用dropout。另一件事是，如果您尚未规范化数据，则可以这样做。我不确定这是否会有很大帮助，但尝试一下：

X_training = X_training / X_training.max()

Answer 2

我尝试使用具有 4 个完全连接层的 VGG16（冻结），验证精度上升到 0.83。另外，我正在使用 ImageDataGenerator。

有什么改进我的 CNN 模型的建议（总是同样低的测试精度）？

Any suggestions to improve my CNN model (always the same low test accuracy)?

python

tensorflow

transfer-learning

conv-neural-network