卷积神经网络特征提取并放入SVM
实验记录
CNN特征是由INCEPTION_V3模型得到的bottleneck（即卷积神经网络倒数第二层学到的特征），是一系列2048维特征向量，将一系列特征向量作为输入，放入SVM中进行分类（用的是matlab版libsvm），实验结果如下
数据集 plant_photos12（12种，每种50~100张图像）
实验结果超级不好，最好的也就78%左右，难过，直接修改softmax分类器为12，得到的结果都是91.4%，之前看到一篇论文对23 类鱼种数据集， 共 27 370 张鱼的图像进行分类，用CNN+SVM方法得到了98%左右的识别率。难道是因为数据集太少？
对数据集进行数据增强（水平翻转+垂直翻转）后，实验结果惨不忍睹，我的课题创新点啊，本想着结果会很好呢。问题出在哪里？
为什么用传统的形状特征、lbp特征放入svm得到的结果比cnn+svm好呢？
cnn+softmax结果就比传统方法好，想不明白啊！
上一篇：
JS实现多线程数据分片下载
下一篇：
pytorch导入自定义数据集