很快我发现128x128的patch在cpu上慢得无法接受。对各项参数进行调整之后，我生成了新的训练集。

DroneSamples.zip 8.97MB ZIP 57次下载

新训练集是64x64黑白图像，其中50%的图像有无人机，50%的图像没有。在训练“图像中有没有无人机”分类器的过程中，我发现如果这个比例不是50%，比如说有无人机的图像占70%，会导致模型朝“所有图片中都有无人机”的方向收敛，因为预测“全都有无人机”的error（0.3）低于随机预测的error（0.5）。

图像背景大多为天空，少部分为景物。

训练采用tensorflow后端 + keras前端，小规模的CNN，图像上下左右翻转作为数据增强，目前训练集(2500)和测试集(500)的accuracy都超过了0.83。肉眼识别率还没做，但是可以感受一下。

图中灰色的表示判断正确，红色的表示判断错误。从训练结果来看，天空背景下准确率较高，花草树木背景下准确率较低。

下面是所用的网络结构（keras）：

<code class="language-python">model = Sequential()

model.add(Convolution2D(16, 7, 7, #border_mode='same',
                        input_shape=X_train.shape[1:]))
model.add(Activation('relu'))

model.add(Convolution2D(32, 5, 5, #border_mode='same',
                        input_shape=X_train.shape[1:]))
model.add(Activation('relu'))

model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Convolution2D(32, 7, 7))
model.add(Activation('relu'))

model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Convolution2D(64, 7, 7))
model.add(Activation('relu'))

model.add(MaxPooling2D(pool_size=(4, 4)))
model.add(Dropout(0.5))

model.add(Flatten())
model.add(Dense(16))
model.add(Activation('relu'))
model.add(Dropout(0.1))

model.add(Dense(nb_classes))
model.add(Activation('softmax'))
</code>