任务是确定图像属于 3 个类别中的哪一个，或者不属于哪一个。
我收到了一个现成的模型。具有 ImageNet 权重的 EfficientNet B4 已应用迁移学习来识别 4 个类别：3 个目标类别和第 4 个“无”类别。后者接受了不包含任何目标对象的随机图像示例的训练。
问题是它是否是正确的方法——是否需要第四节课？
我的直觉是 net 应该只在 3 个目标类上进行训练。如果输出概率保持在某个阈值以下（90%？），则应将图像视为不包含任何目标对象。我对吗？
问问题
325 次
1 回答
4
由于 softmax 函数的性质和网络的训练方式，您需要第 4 类。
让我们看一个具体的例子：你训练你的网络来区分苹果、橙子和香蕉。然而，你不知何故得到了李子的照片。
乍一看，您可能会感到惊讶，但您需要数据集中的其他类。不能保证使用阈值会帮助您消除其他类。
您可能会想到以下两种情况：
- 假设您正在对未知的 N+1 类进行测试，则输出概率保证为未知类的 1/N。
- 某个阈值（如您假设的那样）<90％，它不是类。
假设以下情况：
- 如果您遇到一个苹果看起来真的像橙子的情况，并且您的模型正确预测了 40% 的苹果、30% 的橙子、30% 的香蕉，但是由于您应用了阈值，因此排除了正确识别的苹果（真阳性），该怎么办？消除网络良好输出的简单案例
- 您仍然可以将 91% 分配给一个班级，尽管新的“水果”到达不是您的数据集的一部分；这是由于固有的计算和 softmax 的工作方式。
个人经验：我曾经训练过一个网络来区分多种类型的交通标志。出于纯粹的好奇，我举了一个客厅椅子的例子。我期待和你一样的东西（阈值），但令我惊讶的是，它是 85% 的“屈服方式”。
于 2020-02-21T15:29:53.590 回答