我正在研究一个图像分类问题，我应该能够将图像分类为带有矩形表盘的手表/带有圆形表盘的手表/鞋子等。
我研究了基于内容的图像检索（使用 Dense SIFT 进行特征检测，使用 Bag of Words + SVM 进行分类），目前正在探索卷积神经网络（无监督特征学习）。
我的问题是图像是从相机拍摄的照片，因此包含其他元素（训练数据中不存在）。例如，我的矩形表盘手表的训练数据只包含手表，而我的测试图像包含手表和手的一部分，或者我的鞋子测试图像的鞋子方向不同（与鞋子的训练数据）。
我该如何解决这个问题？CNN（无监督特征学习）是正确的方法还是我应该坚持 D-SIFT + BOW + SVM？如何收集适当的训练数据？
谢谢你