图像分类传递学习是否需要负面的例子？

Question

任务是确定图像属于哪个类，或者不属于哪个类。

我收到了一个现成的模特。EfficientNet B4用ImageNet权重进行迁移学习识别4类:3类目标类和4类“无”类。后者接受了关于不包含任何目标对象的随机图像示例的培训。

问题是，这是否是正确的方法--是否需要第四节课？

我的直觉是，网络应该只在三个目标类上进行训练。如果输出概率低于某个阈值(90%?)，图像应该被视为不包含任何目标对象。我说的对吗？

Answer 1

由于softmax函数的性质和网络的训练方式，你需要第四节课。

让我们看看一个具体的例子:你训练你的网络区分苹果，橘子和香蕉。然而，你却得到了梅花的照片。

乍一看，您可能会感到惊讶，但您需要数据集中的另一个类。不能保证使用阈值可以帮助您消除其他类。

您可能会预料到以下两种情况：

1. 给定未知类的输出概率为1/N，假设您是在未知的N+1类上进行测试。
2. --超过这个阈值(就像您假设的那样)，< 90%不是类。

假设接下来的情况：

如果你有一个苹果看起来真的像橘子的例子，你的模型正确地预测了40%的苹果，30%的橘子，30%的香蕉，但是自从你应用了你的阈值，一个正确识别的苹果(真阳性)就被消除了，那该怎么办呢？在一个简单的情况下，您消除了网络

• 的良好输出，您仍然可以将91%的输出分配给一个类，尽管新的“水果”到达并不是数据集的一部分；这是由于固有的计算和softmax的工作方式所致。

个人经历:我曾经训练过一个网络来区分多种类型的交通标志。出于纯粹的好奇心，我举了一个客厅椅子的例子。我期待着和你一样的事情(打谷)，但令我惊讶的是，这是85%的“屈服方式”。