图像分类迁移学习是否需要反例？
Does image classification transfer learning require negative examples?
任务是确定图像属于 3 个 class 中的哪一个，或者 none。
我收到了现成的模型。具有 ImageNet 权重的 EfficientNet B4 应用迁移学习来识别 4 classes：3 个目标目标和第 4 个 "None"。后者接受了不包含任何目标对象的随机图像示例的训练。
问题是它是否是正确的方法 – 是否需要第 4 个 class？
我的直觉是应该只在 3 个目标 classes 上训练网络。如果输出概率保持在某个阈值（90%？）以下，则图像应被视为不包含任何目标对象。我说得对吗？
由于 softmax 函数的性质和网络训练的方式，您需要第 4 个 class。
让我们看一个具体的例子：你训练你的网络来区分苹果、橙子和香蕉。然而，你莫名其妙地得到了一张李子的照片。
乍一看您可能会感到惊讶，但您需要数据集中的另一个 class。不能保证使用阈值会帮助您消除其他 class.
您可能会想到以下两种情况：
- 对于未知 class，输出概率保证为
1/N，假设您正在测试未知 N+1 class。
- 超过某个阈值（如您假设的那样）
< 90% 它不是 class。
假设接下来的情况：
- 如果你有一个苹果真的看起来像
橙色，您的模型正确预测了 40% 苹果、30% 橙色、30%
香蕉，但由于您应用了正确识别的阈值
apple (True Positive) 被淘汰了？消除网络良好输出的简单案例
- 你仍然可以对 class 进行 91% 的分配，尽管新的 'fruit' 到达不是你的数据集的一部分；这是由于固有的计算和 softmax 的工作方式。
个人经验：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，我给了它一个客厅椅子的例子。我期待和你一样的事情（阈值），但令我惊讶的是，它是 85%“屈服方式”。
任务是确定图像属于 3 个 class 中的哪一个，或者 none。
我收到了现成的模型。具有 ImageNet 权重的 EfficientNet B4 应用迁移学习来识别 4 classes：3 个目标目标和第 4 个 "None"。后者接受了不包含任何目标对象的随机图像示例的训练。
问题是它是否是正确的方法 – 是否需要第 4 个 class？
我的直觉是应该只在 3 个目标 classes 上训练网络。如果输出概率保持在某个阈值（90%？）以下，则图像应被视为不包含任何目标对象。我说得对吗？
由于 softmax 函数的性质和网络训练的方式，您需要第 4 个 class。
让我们看一个具体的例子：你训练你的网络来区分苹果、橙子和香蕉。然而，你莫名其妙地得到了一张李子的照片。
乍一看您可能会感到惊讶，但您需要数据集中的另一个 class。不能保证使用阈值会帮助您消除其他 class.
您可能会想到以下两种情况：
- 对于未知 class，输出概率保证为
1/N，假设您正在测试未知 N+1 class。 - 超过某个阈值（如您假设的那样）
< 90%它不是 class。
假设接下来的情况：
- 如果你有一个苹果真的看起来像 橙色，您的模型正确预测了 40% 苹果、30% 橙色、30% 香蕉，但由于您应用了正确识别的阈值 apple (True Positive) 被淘汰了？消除网络良好输出的简单案例
- 你仍然可以对 class 进行 91% 的分配，尽管新的 'fruit' 到达不是你的数据集的一部分；这是由于固有的计算和 softmax 的工作方式。
个人经验：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，我给了它一个客厅椅子的例子。我期待和你一样的事情（阈值），但令我惊讶的是，它是 85%“屈服方式”。