用卷积神经网络作为二值分类器

Question

给出任何图像，我想让我的分类器判断是否是向日葵。我怎样才能创建第二节课呢？将所有可能的图像({向日葵})保留在第二类中是过分的。有这方面的研究吗？目前，我的分类器在最后一层使用了神经网络。我的基础是以下教程：

supervised

我是以254x254为输入的图像。支持向量机在最后一层会有帮助吗？此外，我愿意使用任何其他的分类器/功能，可能会在这方面帮助我。

Answer 1

ML的标准方法是：

1)建立模型2)尝试对一些数据进行正负训练(从训练集中pos\neg的50\50开始) 3)在测试集上验证它(再次，在测试集中尝试50\50的pos\neg示例)，如果结果不太好的话：( a)尝试不同的模型？b)获取更多的数据

对于案例#b，当决定您需要哪些额外数据时，经验法则(对我来说很好)是: 1)如果分类器给出大量的假阳性(当它实际上不是向日葵时告诉它是向日葵)-得到更多的负面示例2)如果分类器给出大量的假负值(当它实际上是向日葵时，它不是向日葵)-得到更多的正面示例。

一般来说，从一些合理的数据量开始，检查结果，如果结果在训练集或测试集上是不好的-得到更多的数据。当你得到最优的结果时，停止获取更多的数据。

另一件你需要考虑的事情是，如果你使用当前数据和当前分类器的结果不好，你需要理解问题是高偏差(好的，在训练集和测试集上的结果不好)，或者是一个高方差问题(在训练集上的结果很好，但是在测试集上的结果很差)。如果你有较高的偏倚问题-更多的数据或更强大的分类器肯定会有帮助。如果你有一个高方差的问题-不需要更强大的分类器，你需要做的是泛化-引入正则化，也许从你的人工神经网络中删除几个层。对抗高方差的可能方法是获取更多、更多的数据。

因此，总之，您需要使用迭代方法，并尝试逐步增加数据量，直到得到好的结果。没有魔术棒分类器，也没有简单的答案，你应该使用多少数据。

Answer 2

利用CNN作为特征提取器，剥离原来用于分类的完全连通层，增加一个新的分类器是一个很好的方法。这也被称为转移学习技术，已广泛应用于深造研究社区。对于您的问题，使用单类支持向量机作为添加分类器是一个很好的选择。

具体来说，

• 一个好的CNN特征提取器可以在一个大型数据集上被训练，例如ImageNet，
• 然后，可以使用“向日葵”数据集对一级支持向量机进行培训。

解决问题的关键部分是单级支持向量机的实现，它也称为异常检测或新颖性检测。有关该方法的一些见解，您可以参考detection.html。