场景分类

微调 Inception-ResNet-V2, 解决 AI Challenger 2017 场景分类问题。

依赖

• NumPy
• Tensorflow
• Keras
• OpenCV

数据集

我们使用AI Challenger 2017中的场景分类数据集，其中包含80,900种场景的60,999张图像。 数据分为53,879个训练图像和7,120个测试图像。

你可以从中得到它 Scene Classification Dataset:

性能

用14118张测试图片计算平均准确率(mAP)，结果如下：

	Test A	Test B
图片数	7040	7078
Top3准确度	0.94346	0.91212

用法

数据预处理

提取60,999个训练图像，并将它们分开（53,879个用于训练，7,120个用于验证）：

$ python pre-process.py

训练

$ python train.py

如果想在培训期间进行可视化，请在终端中运行：

$ tensorboard --logdir path_to_current_dir/logs

Demo

下载 pre-trained model 放在 models 目录然后执行:

$ python demo.py

1	2	3	4
教室, prob: 0.751	修理店, prob: 0.4876	沙漠, prob: 0.9402	酒吧, prob: 0.8236
宫殿, prob: 0.6837	博物馆, prob: 0.6911	住宅, prob: 0.5338	会议室, prob: 0.9461
集市, prob: 0.9636	桥, prob: 0.571	航站楼, prob: 0.9362	游乐场, prob: 0.5429
保龄球馆, prob: 0.9995	漂流, prob: 0.998	水族馆, prob: 0.9898	停机坪, prob: 0.9965
跑马场, prob: 0.9966	实验室, prob: 0.8698	滑雪场, prob: 0.8024	会议室, prob: 0.6975

性能评估

$ python evaluate.py