15
Classification de chaussures
CNN multi-classes pour la classification d'images de chaussures. Analyse des erreurs et visualisation des features apprises par le réseau.
Accuracy : 66%
Stack
Que s'est-il passé ?
- 01
La question
Un CNN peut-il distinguer des types de chaussures — au-delà du simple « c'est une chaussure » ?
- 02
Le problème
Multi-classes, c'est un autre monde : des classes proches (bottes vs chaussures montantes) et un risque réel de sur-apprentissage.
- 03
L'hypothèse
Un CNN multi-classes avec visualisation des features apprises révélera ce que le réseau regarde vraiment.
- 04
Le build
CNN multi-classes pour la classification de chaussures : entraînement, analyse des erreurs et visualisation des features apprises.
- 05
L'échec
66% d'accuracy sur plusieurs classes : les erreurs montraient que le réseau se concentrait sur la couleur et le fond plutôt que sur la forme.
- 06
La découverte
Visualiser les features apprises, c'est ouvrir la boîte noire. Le réseau regardait les mauvaises choses, et l'augmentation de données l'a aidé à regarder la chaussure.
- 07
Le résultat
Un CNN multi-classes à 66% d'accuracy, avec analyse d'erreurs et visualisation des features apprises.
- 08
La prochaine frontière
Transfer learning, plus de données variées, et segmentation pour isoler la chaussure du fond.