基于转移学习的单类数据集图像分类

Question

我只有大约1000辆车的图像。我需要训练一个模型，可以识别图像是车辆还是非车辆。我没有关于非车辆的数据集，因为它可能是除车辆以外的任何东西.

我想最好的方法是应用迁移学习。我正在尝试训练一个预先训练过的VGG19模型的数据。但是，我仍然不知道如何用没有任何非车辆图像的车辆图像来训练模型。我不能把它分类。

我是全新的ML整体，任何基于实际实现的解决方案都将受到高度赞赏。

Answer 1

您可以使用Tensorflow对象检测API接口。

在API中，您不需要有两个或更多的标签。它只能与一个标签一起使用。通过将图像转换为tfrecords，您可以训练和预测其他图像。这个预测会给你一个包围框和一个物体被识别为车辆的概率。

这里的挑战是在图像上标注物体的位置。LabelImg是一个很好的工具。

希望能帮上忙！

Answer 2

如果为您的图像创建分类器是您的最终目标，那么您可以简单地为非车辆获取一些图像。

或者下载图像数据集，如Imagenet，CIFAR等，以及样本图像，如狗，花等。只要确保包括足够的种类和大约1000张图像。

或者你可以直接从互联网上获取数据。使用网页爬虫

我建议从现有数据集进行抽样。

Answer 3

您可以尝试使用预先训练的模型并获取输出。您可能需要应用降维方法，例如PCA，以获得更可管理的大小输入。之后，您可以训练新颖性检测模型，以确定输出是否与您的培训集不同。

另一种方法是使用自动编码器。因此，如果被测图像与训练集“相似”，那么网络就不会有重建输入的问题，从而降低重建损失。但是我认为问题可能是缺乏训练数据，因为我认为1000对于你的网络来说是很小的，可以概括出一辆车的概念，但是如果你不尝试，谁知道呢。