卷积网络在数据模式识别中的应用

Question

我的卷积网络是用来分类数据模式的。我把2D矩阵输入CNN，得到相关的模式类（如果有的话）。我的分类器识别出4种模式。你知道吗

数据：

每个数据样本都是某个序列图中的快照。这个想法的灵感来自this paper。数据样本是二维数据带，窄矩阵。你知道吗

问题：

CNN对模式进行高精度分类。 然而，有一些模式非常类似于4个类中的一个，但是这些模式不属于任何类。你知道吗

可以选择使用细粒度模型或将阈值提高到可能的最高值。但是，这些选项并不能显著提高模型的精度。类似的模式在很大程度上仍然是有效的。我用更多的数据扩展矩阵来扩充数据，但效果不太好。肉眼可以看到相似模式和有效模式之间的区别。CNN似乎看不到肉眼可见的细微差别。你知道吗

为了让模型看到这些差异，您有什么建议？你知道吗

谢谢！ 这些是最后一层。其余部分由转换层和poooling层组成

model.add(Dense(output_classes,
                kernel_regularizer=regularizers.l2(regularization),
                kernel_initializer=kernel_initializer,
                bias_regularizer=regularizers.l2(regularization)))

model.add(BatchNormalization())
model.add(Activation('softmax'))

adam = optimizers.Adam(lr=0.001,
                       beta_1=0.9,
                       beta_2=0.999,
                       epsilon=1e-08,
                       decay=0.0)

print('Compiling the model...')

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

model.summary()