作品笔记 · Goh Kun Ming
CNN Image Classification on Multi-Resolution Vegetable Dataset
AI · 公开项目
2025年4月 – 2025年5月
项目概述
用于蔬菜分类的课程研究，比较卷积架构、图像分辨率和数据增强方法。
一项蔬菜图像分类研究，在两种图像分辨率和数据增强设置下比较卷积网络设计。项目结合数据集修正、可重复的预处理，以及历史实验结果的评估。
作品详情
- 使用 23×23 和 101×101 灰度输入，比较有无数据增强时的 11 个蔬菜类别。
- 通过支持模拟运行的辅助工具修正验证集与测试集目录名称，以及放错位置的胡萝卜图像。
- 探索 Sequential、Functional、残差、Inception 风格和深度可分离 CNN 架构。
- 记录了一次验证准确率为 0.908 的历史 Sequential 搜索，以及另一次测试准确率约 94.2% 的运行；这些结果不能确立普遍最优的架构。
- 在 Python 3.11 和 3.12 上添加 13 项测试，整体覆盖率为 48%。
- 记录数据集划分数量，以及缺失的可复现产物，包括模型权重和多随机种子比较。