卷积神经网络特征提取并放入SVM

实验记录

CNN特征是由INCEPTION_V3模型得到的bottleneck（即卷积神经网络倒数第二层学到的特征），是一系列2048维特征向量，将一系列特征向量作为输入，放入SVM中进行分类（用的是matlab版libsvm），实验结果如下

数据集 plant_photos12（12种，每种50~100张图像）

训练集—验证集	不降维（%）	PCA降维（%）	PCA+LDA降维（%）
80-20	40.9574	40.4255	78.7234
60-40	38.0319% (143/376)	37.766% (142/376)	75.7979% (285/376)
50-50	37.6596% (177/470)	40.8511% (192/470)	66.1702% (311/470)
40-60	35.6383% (201/564)	41.6667% (235/564)	55.3191% (312/564)
20-80	36.8351% (277/752)	37.234% (280/752)	38.5638% (290/752)

实验结果超级不好，最好的也就78%左右，难过，直接修改softmax分类器为12，得到的结果都是91.4%，之前看到一篇论文对23 类鱼种数据集， 共 27 370 张鱼的图像进行分类，用CNN+SVM方法得到了98%左右的识别率。难道是因为数据集太少？ 

对数据集进行数据增强（水平翻转+垂直翻转）后，实验结果惨不忍睹，我的课题创新点啊，本想着结果会很好呢。问题出在哪里？

为什么用传统的形状特征、lbp特征放入svm得到的结果比cnn+svm好呢？

cnn+softmax结果就比传统方法好，想不明白啊！