带有用户图像标注的图像分类模型的特化
Specialization of image classifing model with user image tagging
我有一个概念性问题，关于机器学习的软件 process/architecture 设置。我有一个网络应用程序，我正在尝试合并一些像 Facebook 的人脸识别一样工作的机器学习算法（一般对象除外）。因此，该模型可以更好地对上传到我的服务的 特定 图像进行分类（例如 fb 如何对特定人员进行分类等）。
大纲是：
event: User uploads image; image attempts to be classified
if failure: draw a bounding box on object in image; return image
interaction: user tags object in box; send image back to server with tag
????: somehow this new image/label pair will fine tune the image classifier
最后一步我需要帮助。一般来说，在 t运行sfer 学习或训练中，程序员拥有一个充满图像的大型数据库。就我而言，我有一个预训练模型（google 的 inception-v3），但在用户开始上传内容之前我的微调数据库不存在。
那么我如何使用这种标记方法来构建专门的数据库呢？我确定 FB 运行 解决了这个问题并解决了它，但我可以找到他们的解决方案。经过一些思考（和不确定的研究），我能想到的唯一策略是：
A) stockpile tagged images and do a big batch train
B) somehow incrementally input a few tagged images as they get
uploaded, and slowly over days/weeks, specialize the image classifier.
理想情况下，我想避免选项 A，但我不确定 B 是否现实，也不确定是否有其他方法可以完成此任务。谢谢！
是的，这听起来像是 online learning 的经典示例。
特别是对于深度卷积网络，给定一些新数据，例如，可以 运行 在其上进行几次随机梯度下降迭代。如果需要，调整学习率可能也是一个好主意（这样就可以调整给定样本的重要性，这取决于，比如说，一个人对它的信心）。
正如您所提到的，您也可以保存 "mini-batches" 来执行此操作（取决于您的设置）。
此外，如果您想让学习者更加专业化（例如在用户之间），请查找 domain adaptation。
我有一个概念性问题，关于机器学习的软件 process/architecture 设置。我有一个网络应用程序，我正在尝试合并一些像 Facebook 的人脸识别一样工作的机器学习算法（一般对象除外）。因此，该模型可以更好地对上传到我的服务的 特定 图像进行分类（例如 fb 如何对特定人员进行分类等）。
大纲是：
event: User uploads image; image attempts to be classified
if failure: draw a bounding box on object in image; return image
interaction: user tags object in box; send image back to server with tag
????: somehow this new image/label pair will fine tune the image classifier
最后一步我需要帮助。一般来说，在 t运行sfer 学习或训练中，程序员拥有一个充满图像的大型数据库。就我而言，我有一个预训练模型（google 的 inception-v3），但在用户开始上传内容之前我的微调数据库不存在。
那么我如何使用这种标记方法来构建专门的数据库呢？我确定 FB 运行 解决了这个问题并解决了它，但我可以找到他们的解决方案。经过一些思考（和不确定的研究），我能想到的唯一策略是：
A) stockpile tagged images and do a big batch train
B) somehow incrementally input a few tagged images as they get
uploaded, and slowly over days/weeks, specialize the image classifier.
理想情况下，我想避免选项 A，但我不确定 B 是否现实，也不确定是否有其他方法可以完成此任务。谢谢！
是的，这听起来像是 online learning 的经典示例。
特别是对于深度卷积网络，给定一些新数据，例如，可以 运行 在其上进行几次随机梯度下降迭代。如果需要，调整学习率可能也是一个好主意（这样就可以调整给定样本的重要性，这取决于，比如说，一个人对它的信心）。 正如您所提到的，您也可以保存 "mini-batches" 来执行此操作（取决于您的设置）。
此外，如果您想让学习者更加专业化（例如在用户之间），请查找 domain adaptation。