🐱➡️🐶 When Cats Become Dogs (v2)

🔍 A Larger-Scale Study on Cat Breeds That Are Most Likely Misclassified as Dogs

這是第二版研究，加入更多資料與更強模型，但也遇到更多挑戰。
本研究試圖回答：哪些貓品種最容易被深度學習模型誤判為狗？
我們擴大實驗規模，加入 Kaggle Cats 與 Stanford Dogs 資料集，合併後共 162 個貓狗品種，並採用 EfficientNet‑B3 作為主模型。

Version 2 upgrades the original project by expanding both data and model capacity.
More breeds (162), more images, and a deeper network — but with that comes new ambiguity and overfitting challenges.

---

▶️ Run the Demo on Hugging Face Spaces

)

---

📁 Project Structure

cat-vs-dog-v2/
├── README.md
├── cat_vs_dog_v2_study.ipynb               # 主實驗 Notebook
├── imgs/
│   └── sphynx_borzoi.png
├── stats/
│   ├── misclassified_summary.csv
│   ├── confusion_matrix.png
│   └── confusion_chart.png
└── model/
    └── EfficientNet-B3.pth                   # 儲存的最佳 EfficientNet-B3 模型

---

🧠 Model & Dataset | 模型與資料集

• ✅ 使用 EfficientNet‑B3（ImageNet 預訓練）

• 📦 整合三大資料集，共計 162 類：

  • Oxford‑IIIT Pet Dataset
  • Stanford Dogs Dataset
  • Kaggle Cat Breeds Dataset

• 🐱 標記其中 40 種為「貓類」

---

📈 Training Summary

📘 Epoch 18 結果:
🧠 訓練損失: 1.5819
✅ 驗證損失: 1.5595
🎯 驗證準確率: 0.7808
📉 當前學習率: 0.000035
⚠️ Early stopping: 提前結束於第 18 輪
🎉 最佳驗證準確率: 0.7969

---

🤖 Misclassification Analysis | 誤判分析

我們聚焦於「真實貓 → 預測為狗」的樣本，並定義以下條件：

• 取 Top‑3 並觀察是否全為狗，記為「誤判」

結果發現：

在大數據下，「Top‑3 全錯」的情況 極少發生，唯一誤判樣本是一張同時出現貓狗的圖片（資料品質問題）

但 Top‑1 若作為分類依據，誤判率顯著提升

---

🧪 Sample Output

🐱 真實類別: Sphynx 被誤判為（Top‑3 都是狗）:
🔺 Top3: ['Borzoi', 'Collie', 'Shetland Sheepdog']

---

📊 Confusion Matrix

雖然整體準確率達約 78%，但貓的分類混淆非常嚴重

貓類彼此相似度高，且部分圖像難以區分

---

📈 Statistics | 統計結果

Cat Breed	# Images	# Misclassified (Top‑3 all dogs)	Misclassification Rate
Abyssinian	47	0	0%
American Shorthair	51	0	0%
…	…	…	…

(範例數據，實際請參見 stats/misclassified_summary.csv)

---

🔍 Methodology | 實驗方法

1. Data Preparation | 資料準備

   • 整合以下三個公開資料集：

     • Oxford‑IIIT Pet Dataset
     • Stanford Dogs Dataset
     • Kaggle Cat Breeds Dataset

   • 合併後統一命名格式，篩選每個品種約 150–250 張圖片，共計 162 類

   • 標記其中 40 類為「貓品種」

2. Model Training | 模型訓練

   • 使用預訓練 EfficientNet‑B3，替換輸出層為 162 類
   • 圖片轉為 300x300，標準化處理後進行訓練
   • 資料分割比例 80%/20% 為 train/val，訓練至 early stopping
   • 最佳驗證準確率約 79.7%

3. Misclassification Analysis | 誤判分析

   • 聚焦於驗證集中 實際為「貓」的樣本
   • 判斷規則如下：
     • 若 Top‑3 全為狗，則記為「貓被誤判為狗」
   • 統計每一貓品種的誤判次數與比例

4. Visualization | 結果視覺化

   • 顯示被誤判的樣本圖片與預測機率
   • 繪製貓品種誤判比例條狀圖
   • 匯出統計為 CSV 與混淆矩陣圖表

---

💡 Next Steps

• 貓/狗先分類，再進行品種細分（two-stage approach）
• 誤判樣本可視化：使用 Grad-CAM 觀察模型關注區域
• 加入人類盲測：讓人類與 AI 同台競技
• 探討特定特徵（耳朵、毛色）對分類的重要性

---

🎓 In the Spirit of the Ig Nobel Prize

“First it makes you laugh, then it makes you think.”

本研究結合 AI 與荒謬美學，致敬所有「幽默中隱含洞見」的科學探索。

---

📜 License

This project is licensed under the MIT License. 本專案採用 MIT 授權條款。

---

2025 © When Cats Become Dogs v2