我有如下数字图像，我想识别它们：
有些质量稍差：
图像的分辨率不是固定的，但大多在（80*20 到 130*40）范围内。由于缺乏足够的标记数据（~3K 行），我不得不去寻找一个开源数字数据集。我尝试了 MNIST 和 SVHN，但运气不佳。我在下面详细介绍了我的两种方法..
注意：我使用的唯一预处理是转换为灰度，将图像调整为固定大小并对图像进行平均减法。
1. 用于测试的单位数 MNIST 和滑动窗口 ：我在 MNIST 集上训练了一个 Convnet，在验证集上大约有 99%。然后我使用一个滑动窗口在我的测试图像上移动并预测每个图像。这种方法有两个问题：首先，由于我的图像不是固定分辨率，我经常无法获得正确的滑动窗口（一个完全只包含一个数字的窗口）。其次，我从我的测试图像中裁剪出单个数字，并在这些数字上测试了我的 MNIST 模型，结果“非常糟糕”，在我裁剪出的大约 15 个样本中，我的 MNIST 模型甚至无法正确. 这是裁剪后的图像以供参考。
SINGLE DIGIT SVHN我认为我的 MNIST 模型在我的测试集上的性能可能很差，因为这两个是不同类型的图像，SVHN 数据集中的数字与我发布的更相似。我用 SVHN 重复了同样的一位数练习，结果要好得多，在我剪裁出来的 15 个数字上，这次我得到了 10 个正确的数字，但滑动窗口问题仍然存在。
MULTI DIGIT SVHN：由于 SVHN 中的门牌号码比我的号码长度更小（最多 5 个），我通过水平堆叠来自 SVHN 多位数数据集的不同数字创建了 50k 个长度为 8 的数字。我能够做到的最佳验证损失从这个模型中获得的结果是 6.70，不是很好，而且在预测方面显然不是很有效。我使用了具有以下架构的 ConvNet：
model_input = Input(input_shape)
x = Conv2D(32, (3, 3),data_format='channels_first', activation='relu', name='conv_32_1',padding='same')(model_input)
x = Conv2D(32, (3, 3), data_format='channels_first',activation='relu',name='conv_32_2',padding='same')(x)
x = MaxPooling2D(pool_size=(2, 2))(x)
x = Dropout(0.35)(x)
x = Conv2D(64, (3, 3), data_format='channels_first',activation='relu',name='conv_64_1',padding='same')(x)
x = Conv2D(64, (3, 3), data_format='channels_first',activation='relu',name='conv_64_2',padding='same')(x)
x = MaxPooling2D(pool_size=(2, 2))(x)
x = Conv2D(128, (3, 3), data_format='channels_first',activation='relu',name='conv_128_1',padding='same')(x)
x = Dropout(0.35)(x)
x = Flatten()(x)
x = Dense(768, activation='relu')(x)
x = Dropout(0.50)(x)
output_list = [Dense(11, activation='softmax',name='digit_'+str(i))(x) for i in range(1,9)]
adam = Adam(lr=0.0005)
model = Model(inputs=model_input, outputs=output_list)
model.compile(loss='categorical_crossentropy', optimizer=adam, metrics=['accuracy']).
这是损失曲线：
我的问题，从最后一种方法到第一种方法：
- 对于这个问题/数据集，我的 MULTI SVHN 模型是否太小？如果没有，我该如何提高它的性能？
- 有没有办法生成更好的候选滑动窗口，因为我的个位数 SVHN 似乎是我在这三个模型中最好的模型。
- 我的推理是否正确，即 MNIST 模型在我的图像上效果不佳，因为数字有些不同（手写与计算机生成）？
- 是否有其他预处理技术可以用来提高我的性能，特别是对于像第二个（18458882）这样的图像？
- 有没有其他方法可以尝试解决这个问题？