对于不属于模型类的图像，可以使用CNN的预测吗？

Question

我使用的是10岁、12岁、14岁、16岁、18岁和20岁的人的面部照片。我想回答的问题是:脸是如何“进化”的？它会保持+/-相似直到某个阈值突然改变吗？为了回答这个问题，我训练了CNN的两个班，10年前的照片(标签为"0")和20年前的照片(标签为"1")。

我使用这个模型来预测不属于模型类( 12到18岁)的类别，计算每个年龄组的平均预测。结果如图所示，其中每个值分别是12、14、16、18岁的平均预测值。12、14、16、18岁的平均预测

我的问题是，用这个模型来预测其他年龄组别，例如说“12岁的平均预测是0.2，即他们比20岁的人更接近10岁的脸”，这是否有意义呢？随着年龄的增长，我是否可以说，这些面孔与20岁的面孔越来越相似？有没有引用过使用模型来预测不属于模型类的图像的文章？

谢谢！

Answer 1

这是一个很有趣的问题。让我用两种方式回答这个问题。

Q1: CNN能预测不包括在训练集中的图像吗？

A1:是的。然而，我们没有训练模型和比较输出概率，而是使用了一种叫做“小射击学习”或“零射击学习”的方法来解决这个问题。其基本思想是:首先，我们对模型进行训练，使其能够识别数据背后的高层次特征(例如，示例中的边缘或眼睛形状)。然后，根据模型的通用性，将模型实现到一个新的数据集上。本研究也与迁移学习密切相关。作为起点，这里有一篇很好的论文。

从几个例子概括:少有学习综述

Q2:如果概率更高，我们能不能说这些脸和20岁的脸更相似？

A2：，简单的回答是，是的。原因是我们在你的训练数据中只有两个类别--如果概率值更高，这意味着模型对图片属于1类(即20年前的照片)有更大的信心。但我们不能确定模型是如何做出这种预测的。您可能希望可视化中间层的输出，以查看模型发现的哪些功能。你可以在这个博客上查一下。

理解CNN (卷积神经网络)