高光谱分类，测试准确率在80到90震荡

Question

测试的准确率在80到93之间波动。请问各位朋友，这可能跟什么有关系呀。

Answer 1

• 帮你找了个相似的问题, 你可以看下: https://ask.csdn.net/questions/7599095
• 这篇博客也不错, 你可以看下基于光流法和混合高斯模型对监控视频中的人群进行跟踪
• 除此之外, 这篇博客: 怎样才能在自动驾驶任务中高效地利用时间轴上的信息进行视频检测？中的 按照提取特征方式的不同，光流网络有两种网络架构 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 

  FlowNetSimple

  FlowNetSimple在开始的阶段，就把384*512*3的当前帧和参考帧在通道维度上拼接在一起384*512*6，然后送进特征提取网络，最后得到一个6*8*1024的特征图，准备送入提炼网络。

  FlowNetCorr

  FlowNetCorr在开始阶段，先分别对384*512*3的当前帧和参考帧进行初步的特征提取，然后在48*64*256的阶段进行融合，之后对融合后的特征图进行进一步的处理。最后同样得到一个6*8*1024的特征图，准备送入提炼网络。

• 您还可以看一下 金圣韬老师的数字图像处理实战课程中的 交通标志牌识别及基于光流的车速估计小节, 巩固相关知识点
  
• 以下回答由chatgpt基于相关博客总结生成:

  针对高光谱分类准确率波动的原因，可能有以下几个方面的影响：

  1.数据预处理不充分，导致数据质量不稳定。可以对数据进行更加深入的清洗和预处理，例如去除异常值、噪声和重复数据等。

  2.模型选择和优化不当，导致分类效果不稳定。可以考虑使用更加适合高光谱图像分类的模型和优化算法，例如基于深度学习的模型和优化算法。

  3.超参数调整不合理，导致分类效果不稳定。可以考虑使用网格搜索等方法，对模型的超参数进行全面优化。

  具体解决方案可能还需要根据具体情况进行调整和优化。另外，参考资料中提到了引入注意力机制可以提升分类效果，可以尝试将注意力机制应用到分类任务中。