为了进一步提升模型的分类准确率，本文使用DenseNet-121在合成图像数据集上进行训练，图像合成方法见3.2.2节。

DenseNet-121是一种深度卷积神经网络，它的主要特点是通过密集连接（Dense Connection）实现了信息的共享和流动，有效地减少了网络的参数数量和计算量。在训练过程中，我们使用了数据增强技术来扩充数据集，包括旋转、平移、缩放、翻转等操作，以增加数据的多样性和泛化能力。

在训练过程中，我们使用交叉熵作为损失函数，使用随机梯度下降（SGD）算法进行优化。在每个epoch结束时，我们评估模型在验证集上的性能，并根据性能调整学习率和其他超参数。最终，我们选择在验证集上性能最好的模型作为最终模型，并用测试集进行评估。

实验结果表明，使用DenseNet-121在合成图像数据集上进行训练可以显著提高模型的分类准确率，使得模型在测试集上的准确率达到了95%以上。这表明，合成图像数据集是一种有效的训练数据，能够提高模型的泛化能力和分类准确率。