12、在Kaggle猫狗分类竞赛中夺冠及GoogLeNet架构解析

在Kaggle猫狗分类竞赛中夺冠及GoogLeNet架构解析

1. 提升AlexNet在Kaggle猫狗数据集上的准确率

在Kaggle猫狗分类竞赛中，我们首先尝试使用AlexNet模型。在测试集上，原始的AlexNet模型达到了92.60%的准确率。为了进一步提升准确率，我们采用了10 - 裁剪过采样方法。该方法会从输入图像的以下位置进行裁剪：
- 图像中心
- 左上角
- 右上角
- 右下角
- 左下角
- 对应的水平翻转

将这些裁剪后的图像通过模型进行预测，最终预测结果是所有十个裁剪图像概率的平均值。通过执行以下命令来评估AlexNet模型：

$ python crop_accuracy.py

运行结果如下：

[INFO] loading model...
[INFO] predicting on test data (no crops)...
[INFO] rank-1: 92.60%
Evaluating: 100% |####################################| Time: 0:01:12
[INFO] predicting on test data (with crops)...
[INFO] rank-1: 94.00%

可以看到，使用10 - 裁剪过采样方法后，分类准确率提升到了94.00%，提高了1.4%。这一简单的技巧在评估网络时能轻松提高几个百分点的准确率。

然而，要进入Kaggle