本文共 2320 字，大约阅读时间需要 7 分钟。

这里只摘取关键代码：

# create the base pre-trained modelinput_tensor = Input(shape=(299, 299, 3))base_model = Xception(include_top=True, weights='imagenet', input_tensor=None, input_shape=None)plot_model(base_model, to_file='xception_model.png')base_model.layers.pop()base_model.outputs = [base_model.layers[-1].output]base_model.layers[-1].outbound_nodes = []base_model.output_layers = [base_model.layers[-1]]feature = base_modelimg1 = Input(shape=(299, 299, 3), name='img_1')img2 = Input(shape=(299, 299, 3), name='img_2')feature1 = feature(img1)feature2 = feature(img2)# Three loss functionscategory_predict1 = Dense(100, activation='softmax', name='ctg_out_1')(    Dropout(0.5)(feature1))category_predict2 = Dense(100, activation='softmax', name='ctg_out_2')(    Dropout(0.5)(feature2))dis = Lambda(eucl_dist, name='square')([feature1, feature2])model = Model(inputs=[img1, img2], outputs=[category_predict1, category_predict2, judge])model.compile(optimizer=SGD(lr=0.0001, momentum=0.9),              loss={                  'ctg_out_1': 'categorical_crossentropy',                  'ctg_out_2': 'categorical_crossentropy',                  'bin_out': 'categorical_crossentropy'},              loss_weights={                  'ctg_out_1': 1.,                  'ctg_out_2': 1.,                  'bin_out': 0.5              },              metrics=['accuracy'])

如果觉得我的工作对你有帮助，就点个吧

关于

这是百度举办的一个关于狗的细粒度分类比赛，比赛链接: 

框架

硬件

• Geforce GTX 1060 6G
• Intel® Core™ i7-6700 CPU
• Memory 8G

模型

• 提取深度特征

• 受的启发,在多分类基础上增加一个样本是否相同判断的二分类loss,增加类间距离,减小类内距离
  

Keras实现

• 去掉Xception最后用于imagenet分类的全连接层,获取图像深度特征
• 输入两张图片,可能属于相同类也可能属于不同类
• 根据特征和标签进行多分类训练
• 同时以两图是否属于同一类作为二分类标签训练

数据预处理

• 从Baidu云下载数据
  • 训练集:  Key: 5axb
  • 测试集:  Key：fl5n
• 按类别把图片放在不同的目录下，方便ImageDataGenerator的使用
• 因为先前我把图片命名为这种格式"typeid_randhash.jpg"了, 所以我写了这段代码来做图片移动的工作
• 数据预处理还有许多细节要处理，遇到问题的话可以先查看keras的文档，如果还有问题，可以提.

训练

• 使用Keras的ImageDataGenerator接口进行数据增广
• 同时使用ImageDataGenerator做数据增广并进行正负样本对采样是一个难点.因为从ImageDataGenerator获得的图片被打乱了.
  遍历数据集找同类样本作为正样本效率很低,幸运的是,在每个batch中,存在同类的样本,所以我们可以通过在同一个batch中交换同类样本的位置,构造出包含正样本对的另一个输入.
• 冻结Xception的卷积层,采用ADMM训练多分类和二分类模型.
• 解冻Xception卷积层的最后两个block(总共有12个block,最后两个block从Xception的105层开始)继续使用SGD训练
• 去掉数据增广,再训练直至收敛

代码

• 单一Xception模型
  • 训练: 
  • 测试: 
• Multi loss模型
  • 冻结训练全连接层+微调卷积层: 
  • Trick微调: 
  • 测试: 

一些测试结果

• InceptionV3,多分类模型: 0.2502
• Xception,多分类模型: 0.2235
• Xception, 混合模型: 0.211
• Xception, 混合模型,最后去掉数据增广再训练: 0.2045

转载地址：http://wqlei.baihongyu.com/