自动硬币鉴定：特征工程 vs. 深度学习的比较研究——圣加登双鹰硬币
机器学习
2025-12-05 v1 计算机视觉与模式识别
摘要
我们挑战了深度学习总是凌驾于旧有技术的普遍信念，这以圣加登双鹰黄金硬币自动鉴定为例。在我们工作中，我们将基于192个从 Sobel 边缘检测和 HSV 色彩分析中提取的自定义特征构建的基于特征的人工神经网络(ANN)，与融合了 EfficientNetV2 的混合卷积神经网络(CNN)以及作为控制的 straightforward 支持向量机(SVM)进行比较。测试1785枚由专家鉴定的硬币，ANN 实现了86%的精确匹配，允许3个等级的容差时达到98%。相反，CNN 和 SVM 大多只是猜测最常见的等级，仅取得31%和30%的精确命中率。虽然CNN在更宽泛的容差指标上看起来表现不错，但这是由于回归中的某种平均技巧掩盖了它在挑选具体等级时完全失效的问题。总体而言，当面临不到2000个样本和不平衡类别时，通过特征设计将真实硬币专家知识烘焙进去，优于那些不可理解的、全能的深度学习设置。这一结论同样适用于数据稀缺且专业知识比算力更为重要的其他细分质量检测领域。
引用
@article{arxiv.2512.04464,
title = {Feature Engineering vs. Deep Learning for Automated Coin Grading: A Comparative Study on Saint-Gaudens Double Eagles},
author = {Tanmay Dogra and Eric Ngo and Mohammad Alam and Jean-Paul Talavera and Asim Dahal},
journal= {arXiv preprint arXiv:2512.04464},
year = {2025}
}