WedX - журнал о программировании и компьютерных науках

Caffe Image Классификатор неклассифицированных изображений

Я точно настроил классификатор изображений из GoogleNet, который выводит классы животных (собаки, кошки, птицы), и он отлично работает. Точность очень высока, когда я передаю изображение, связанное с темой, и очень этому рад!

Теперь вопрос: если я передам классификатору изображение чего-то, не связанного с обучающим набором данных (например, изображение дома), я хотел бы получить в качестве вывода более низкую оценку, которая поможет мне признать, что анализируемое изображение не является одной из категорий набора данных.

Мой текущий вывод

dogs = 97%
cats = 2%
birds = 1%

Вместо этого мне нужно увидеть что-то вроде

dogs = (anything low %)
cats = (anything low %)
birds = (anything low %)

Как я могу добиться этого результата? Спасибо за любую помощь

deep-learning caffe image-recognition
28.08.2016

Ответы:


1

Последний слой вашей сети — это softmax, поэтому результаты суммируются до 100%, даже если вы вводите белое изображение. Если вы посмотрите на предыдущий слой, у вас есть оценка для каждого класса. Оценка, вероятно, намного ниже, чем если бы на картинке была собака.

В любом случае, если ваша цель состоит в том, чтобы узнать, есть ли на картинке собака, кошка, птица или ни один из них, вам, вероятно, следует добавить класс «другое» и добавить изображения, на которых нет ни одного из 3 другие классы.

29.08.2016

2

Вам нужно прочитать документы. Но часто распознаватели пользуются тем фактом, что входные данные должны быть одним из ограниченного набора, чтобы помочь настроить свои алгоритмы. Например, почтовые индексы должны состоять из английских букв и цифр. Если кто-то пишет от руки почтовый индекс, которого нет, не имеет значения, выдает ли распознаватель мусор, потому что входные данные тоже мусор.

Вполне вероятно, что он не может распознавать входные данные за пределами тренировочного набора, для которого не обучен. Но все зависит от того, как именно он работает внизу.

28.08.2016
Новые материалы
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..
Для любых предложений по сайту: [email protected]