图灵汇官网

随着深度学习技术在图像识别领域的广泛应用，我们越来越多地采用多种算法进行快速的图像识别和标注。经过优化的算法在内存使用和模型训练方面表现出色，但在面对模糊或意义不明确的图像时，其性能又如何呢？

为了更好地了解不同卷积神经网络算法的应用差异，我们将这些算法应用到了罗夏墨迹测试（Rorschach Test）上。

方法十分简单：设定好预期结果，明确对每一个预测的理解，从而选择合适的工具进行下一步工作。

罗夏墨迹测试

罗夏墨迹测试是现代心理学中主要的投射测验之一，由瑞士精神病学家汉斯·罗夏（Hans Rorschach）于1921年创建。这种测试侧重于精神动力学理论，通过观察个人对模糊或无结构材料的反应，揭示其行为特征模式。

测试材料

罗夏测验包含10张结构模糊的墨迹图片，其中5张全为黑色，2张在黑色基础上添加了红色墨迹，另外3张为彩色。测试时，一张接一张地展示给被测者，要求他们描述所看到的内容，不限时间。随后，再次询问他们是否看到整个画面或局部细节，并记录下他们的回答。

数据分析

在本次实验中，我们将罗夏墨迹测试的图片作为测试集，利用各种预训练的算法进行分类预测。

分类算法

我们尝试了以下几种算法：

• ResNet50
• VGG16
• VGG19
• InceptionV3
• InceptionResNetV2
• Xception
• MobileNet
• MobileNetV2
• DenseNet
• NASNet

测试结果

我们的目标是快速了解预测及其背后的机制。为此，我们将得分较高的预测结果归为一组，并计算总分，以便了解每个分类器的表现，并评估每张图片的相对置信度。

例如，InceptionResNetV2、nasnetbig和DenseNet201认为第一张图片是一架战机（分数分别为88.3%、46.2%和18.6%）。将这些分数加在一起，得到153.1的无量纲分数。通过这种方式，我们可以比较不同分类器的表现，找出最优的模型。

最优预测结果

以下是前三张图片的最优预测结果：

图片1

• 战机：153.05
• 墙钟：75.41
• 开信刀：47.29
• 灯罩：33.13
• 栗子：28.95
• 拼图：23.19
• 卫生纸：22.51
• 鸟屋：11.50

图片2

• 公鸡：72.84

后续内容将根据以上信息继续展开。