基于CNN的洪水易发性二分类模型精度无法提升求助

我正在开展洪水易发性制图项目，采用淹没/未淹没二分类任务，输入数据尺寸为35×35×16，其中16个通道为洪水预测特征。已搭建基于LeNet的CNN模型，但训练精度始终无法突破0.52，验证精度维持在0.46；调整图像尺寸、滤波器数量/大小、全连接层单元数后仍无改善。附上模型代码及训练曲线截图，请求协助排查问题并提供精度提升方案。

模型代码 #

NAME = "LeNet"

model = Sequential()
#Layer 1
#Conv Layer 1
model.add(Conv2D(filters = 4, 
                 kernel_size = 3, 
                 strides = 1, 
                 activation = 'relu', 
                 input_shape = (35,35,16)))
#Pooling layer 1
model.add(MaxPooling2D(pool_size = 2, strides = 1))

#add a droupout
model.add(Dropout(0.4))

#Layer 2
#Conv Layer 2
model.add(Conv2D(filters = 8, 
                 kernel_size = 3,
                 strides = 1,
                 activation = 'relu',
                 input_shape = (32,32,4)))
#Pooling Layer 2
model.add(MaxPooling2D(pool_size = 2, strides = 1))

#add a droupout
model.add(Dropout(0.4))

#Layer 3
#Conv Layer 3
model.add(Conv2D(filters = 16, 
                 kernel_size = 3,
                 strides = 1,
                 activation = 'relu',
                 input_shape = (24,24,8)))
#Pooling Layer 3
model.add(MaxPooling2D(pool_size = 2, strides = 1))

#add a droupout
model.add(Dropout(0.4))


#Flatten
model.add(Flatten())


#Layer 3
#Fully connected layer 1
model.add(Dense(units = 100, activation = 'relu'))

#add a droupout
model.add(Dropout(0.4))


#Layer 4
#Fully connected layer 2
model.add(Dense(units = 64, activation = 'relu'))
model.add(Dropout(0.4))



#Layer 5
#Output Layer
model.add(Dense(units = 1, activation = 'sigmoid'))

from keras.callbacks import ModelCheckpoint, EarlyStopping
checkpoint = ModelCheckpoint("LeNet.h5", monitor='val_loss', verbose=1, save_best_only=True, save_weights_only=False, mode='auto', period=1)
early = EarlyStopping(monitor='val_loss', min_delta=0, patience=20, verbose=1, mode='auto')

tensorboard = TensorBoard(log_dir="logs/{}".format(NAME))

model.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])


model.summary()

训练曲线 #

问题排查方向 #

• 数据层面

  • 检查数据集类别分布：若淹没/未淹没样本比例极端失衡，模型会倾向于预测多数类，导致精度卡在随机水平。可通过混淆矩阵验证，若某一类预测准确率接近100%、另一类接近0，说明类别不平衡。
  • 特征有效性：确认16个通道特征是否与洪水易发性强相关，是否存在无关特征；同时检查特征是否做过归一化/标准化，未统一尺度的特征会导致模型训练不稳定。
  • 数据划分合理性：排查训练集/验证集是否存在数据泄露，或验证集样本不具代表性。

• 模型结构层面

  • 池化层设置冗余：当前MaxPooling2D的strides=1，导致每次池化后特征图尺寸仅小幅缩小，保留过多冗余信息且增加计算量，无法有效提取抽象特征。
  • Dropout过度：全链路0.4比例的Dropout会过度抑制模型拟合能力，尤其在样本量有限的场景下，难以学习到稳定特征。
  • 卷积特征提取能力不足：滤波器数量从4→8→16的配置过低，无法捕捉复杂的空间关联特征。
  • 全连接层冗余：两次全连接层的参数规模过大，易引发过拟合，同时增加训练负担。

精度提升方案 #

1. 数据预处理优化

   • 对16个通道特征做标准化（StandardScaler）或归一化（MinMaxScaler），确保各特征尺度一致。
   • 若存在类别不平衡，采用过采样（SMOTE）、欠采样，或在训练时传入class_weight参数赋予少数类更高权重。
   • 增加数据增强：对35×35特征图进行随机翻转、旋转、平移等操作，扩充训练样本提升泛化能力。

2. 模型结构调整

   • 修改池化层：将所有MaxPooling2D的strides改为与pool_size一致（即2），有效压缩特征图尺寸：

     model.add(MaxPooling2D(pool_size=2, strides=2))
     

   • 调整Dropout策略：仅在全连接层保留Dropout，将比例降至0.2：

     # 移除卷积层后的Dropout
     model.add(Dense(units=100, activation='relu'))
     model.add(Dropout(0.2))
     model.add(Dense(units=64, activation='relu'))
     model.add(Dropout(0.2))
     

   • 提升滤波器数量：增强特征提取能力：

     # 第一层Conv2D
     model.add(Conv2D(filters=8, kernel_size=3, strides=1, activation='relu', input_shape=(35,35,16)))
     # 第二层Conv2D
     model.add(Conv2D(filters=16, kernel_size=3, strides=1, activation='relu'))
     # 第三层Conv2D
     model.add(Conv2D(filters=32, kernel_size=3, strides=1, activation='relu'))
     

   • 替换Flatten为全局平均池化：降低参数规模，减少过拟合风险：

     model.add(GlobalAveragePooling2D())
     

   • 尝试轻量现代CNN结构：比如MobileNetV2、简化版ResNet，这类结构对小样本高维特征适配性更好。

3. 训练策略优化

   • 调整学习率：将Adam默认学习率从0.001降至0.0001，或添加ReduceLROnPlateau回调实现学习率衰减。
   • 调整早停参数：适当增大EarlyStopping的patience值，确保模型有足够时间收敛。
   • 监控多维度指标：除精度外，增加召回率、F1-score的监控，更准确反映模型在不平衡数据下的性能。

内容的提问来源于stack exchange，提问作者Umashankar Kandpal