PaintersRecognition

New solution for the Painter by Numbers competition on Kaggle. Using part of its dataset.
本实验的数据集最初来自于Kaggle的比赛Painter by Numbers
比赛是在2016年举办的，当时获得比赛第一名的大神对其解决方案做了汇报[链接]
随着近年来分类网络的发展，分类效果会不会有进一步的提升呢
本文对比了现今比较流行的几种分类网络，探索了分类网络在画家分类识别领域的准确度

Requirements

详见requirements.txt
主要使用Keras框架，在ImageNet预训练好的网络进行迁移学习

Dataset and preprocessing

本实验的数据集来自于KagglePainter by Numbers

最初的数据集共有1584个类，79433幅画

这个数据集画的数量多，类别多，且类间具有很大的不平衡性，难以训练。所以选择数据集中的一部分进行训练，选择画家作品数200以上的构成新的数据集：
共71个类，22141幅作品
把数据集放在文件夹pic_dataset中，其中的画家作品按照每个画家一个文件夹的方式组织
然后，运行data_preprocessing.py将图片切分成同样大小，此处用的是224*224

迁移学习

运行painter2-2.py开始训练模型

• 对比了Keras中多种分类模型，包括：
  *VGG19
  *ResNet50
  *InceptionV3
  *InceptionResnetV2
  *DenseNet121, DenseNet169, DenseNet201

Results

这是DenseNet169的acc和loss变化图：

其准确度可达81.29%
对比各种网络模型的效果如下图：

大多数模型的train_acc都可以达到99%，所以仅对比test_acc
如进一步缩小数据集到作品数350以上的画家，那DenseNet169准确度可达85.21%