machine-learning - 无论图像如何，Caffe 都会预测相同的类别

Question

我modified the MNIST example当我用 3 个图像类别训练它时，它的准确率达到 91%。但是，当我修改C++ example时与 deploy prototxt文件和labels file ，并尝试在一些图像上测试它，无论我给它什么图像，它都会以 1.0 的概率返回第二类(1 个圆圈)的预测 - 即使它是训练集中使用的图像。我已经尝试了十几张图像，它始终只预测一个类别。

为了澄清问题，在我修改的 C++ 示例中，我确实缩放了要预测的图像，就像在训练阶段缩放图像一样:

img.convertTo(img, CV_32FC1);
img = img * 0.00390625;

如果这是正确的做法，那么我想知道我的deploy_arch.prototxt中计算概率的输出层是否做错了什么。文件。

Answer 1

我认为您忘记在分类期间缩放输入图像，如 train_test.prototxt 文件的第 11 行所示。您可能应该在 C++ 代码中的某个位置乘以该因子，或者使用 Caffe 层来缩放输入(为此请查看 ELTWISE 或 POWER 层)。

编辑:

经过评论中的讨论，结果发现在classification.cpp 文件中错误地减去了图像均值，而在原始训练/测试管道中并未减去图像均值。