机器学习：使用卷积神经网络将图像分类为 3 类（狗或猫或两者都不是）
machine learning: Image classification into 3 classes (Dog or Cat or Neither) using Convolutional NN
如果能帮我考虑一下，我将不胜感激。我有一个分类器，可以准确地将图像成功分类为狗或猫。我有一个很好的数据集来训练分类器。目前没问题。
我有大约 20,000 张狗和 20,000 张猫的图像。
但是，当我尝试呈现其他图像（例如没有狗或猫的汽车、建筑物或老虎）时，我希望分类器的输出为 "Niether"。现在很明显，分类器试图将所有东西分类为狗或猫，这是不正确的。
问题 1：
我怎样才能做到这一点？我是否需要一组 3 组不包含狗或猫的图像，并在这些附加图像上训练分类器以将其他所有图像识别为 "Neither"？
大致上，我需要多少非 Dog/Cat 类别的图像才能获得良好的准确性？由于非 dog/cat 图像域如此庞大，大约 50,000 张图像可以吗？还是我需要更多图片？
问题 2：
我可以使用 Imagenet 训练的 VGG16 Keras 模型作为初始层并在顶部添加 DOG/CAT/Neither 分类器作为全连接层，而不是使用我自己的图像数据训练我自己的分类器吗？
See this example to load a pre-traied imagenet model
非常感谢您的帮助。
问题二
我将首先采用 "killer" 启发式。是的，使用现有的训练模型。只需将所有狗 classifications 合并到您的 class 1 中，将猫合并到 class 2 中，将其他所有内容合并到 class 0 中。这几乎可以解决您的所有问题.
问题 1
问题是您的初始模型已经过训练，世界上的一切（全部 40,000 张图像）要么是狗要么是猫。是的，你必须训练第三组，除非你的训练方法是一种自我限制的算法，例如单class SVM（运行一次在每个class化）。即便如此，我希望您在排除山猫或狼时会遇到一些麻烦。
考虑到输入的高维度 space，你需要大量 "neither" class 的示例是非常正确的：数量不是很多图片的数量，但它们的位置仅来自猫或狗 "over the boundary"。我会对一个项目感兴趣，以确定如何用最少的额外输入来做到这一点。
简而言之，不要简单地从世界的 ImageNet 类型中抓取 50K 图像；选择那些能为您的模型提供最佳辨别力的对象：其他猫科动物和犬科动物示例，您在类似环境中发现的其他对象（末尾 table、野外啮齿动物等）。
如果能帮我考虑一下，我将不胜感激。我有一个分类器，可以准确地将图像成功分类为狗或猫。我有一个很好的数据集来训练分类器。目前没问题。
我有大约 20,000 张狗和 20,000 张猫的图像。
但是，当我尝试呈现其他图像（例如没有狗或猫的汽车、建筑物或老虎）时，我希望分类器的输出为 "Niether"。现在很明显，分类器试图将所有东西分类为狗或猫，这是不正确的。
问题 1：
我怎样才能做到这一点？我是否需要一组 3 组不包含狗或猫的图像，并在这些附加图像上训练分类器以将其他所有图像识别为 "Neither"？
大致上，我需要多少非 Dog/Cat 类别的图像才能获得良好的准确性？由于非 dog/cat 图像域如此庞大，大约 50,000 张图像可以吗？还是我需要更多图片？
问题 2：
我可以使用 Imagenet 训练的 VGG16 Keras 模型作为初始层并在顶部添加 DOG/CAT/Neither 分类器作为全连接层，而不是使用我自己的图像数据训练我自己的分类器吗？
See this example to load a pre-traied imagenet model
非常感谢您的帮助。
问题二
我将首先采用 "killer" 启发式。是的，使用现有的训练模型。只需将所有狗 classifications 合并到您的 class 1 中，将猫合并到 class 2 中，将其他所有内容合并到 class 0 中。这几乎可以解决您的所有问题.
问题 1
问题是您的初始模型已经过训练，世界上的一切（全部 40,000 张图像）要么是狗要么是猫。是的，你必须训练第三组，除非你的训练方法是一种自我限制的算法，例如单class SVM（运行一次在每个class化）。即便如此，我希望您在排除山猫或狼时会遇到一些麻烦。
考虑到输入的高维度 space，你需要大量 "neither" class 的示例是非常正确的：数量不是很多图片的数量，但它们的位置仅来自猫或狗 "over the boundary"。我会对一个项目感兴趣，以确定如何用最少的额外输入来做到这一点。
简而言之，不要简单地从世界的 ImageNet 类型中抓取 50K 图像；选择那些能为您的模型提供最佳辨别力的对象：其他猫科动物和犬科动物示例，您在类似环境中发现的其他对象（末尾 table、野外啮齿动物等）。