卷积神经网络训练

Question

我有一个关于卷积神经网络（ CNN ）培训的问题。

我设法使用张量tensorflow训练网络，该张量流将输入图像（1600像素）并输出与其匹配的三个类别之一。

用训练有素的课程的变化来测试网络会产生良好的结果。 然而; 当我给它不同的第四张图像（不包含任何经过训练的3张图像）时，它总是向其中一个类返回随机匹配。

我的问题是，如何训练网络以将图像分类为不属于三个训练图像中的任何一个？ 一个类似的例子，如果我针对mnist数据库训练了一个网络，然后给了它一个字符“ A”或“ B”。 有没有一种方法可以区分输入不属于任何一个类？

谢谢

Answer 1

您的模型将始终像标签一样进行预测，因此，例如，如果使用MNIST数据训练模型，则在进行预测时，就像MNIST标签一样，预测将始终为0-9。

您可以做的是首先使用2个类别训练不同的模型，其中您将预测图像是否属于MNIST数据的数据集A或BEx，将所有数据标记为1并添加来自其他来源（不是0- 9）并将其标记为0。然后训练模型以查找图像是否属于MNIST。

Answer 2

卷积神经网络（CNN）在训练后根据定义的类预测结果。 不管准确性如何，CNN总是从其中一个类别返回。 我也遇到过类似的问题，您可以做的是检查准确性值。 如果精度低于某个阈值，则它不属于任何类别。 希望这可以帮助。

Answer 3

您可能有三个输出节点，然后选择最大值（单热编码）。 这有点不幸，因为它的输出数量很少。 无法识别的输入往往会导致相当随机的输出。

现在，有了3个输出，粗略地说您可以获得7个结果。 您可能会得到一个高值（3种可能性），但是无法识别的输入也会导致2种​​高输出（也有3种可能性）或近似相等的输出（也有3种可能性）。 因此，随机输入很有可能（〜3/7）在输出节点上产生模式，您只希望获得可识别的输入。

现在，如果您有15个类，因此有15个输出节点，那么您将查看未识别的输入的大约32767个可能的结果，其中只有15个对应于预期的一次性结果。

根本原因是缺乏培训数据。 如果您的训练集中有3个班级以外的示例，则可以将其转储到第4个“其他”类别中并进行训练。 这本身并不是一个可靠的指示，因为通常理论上的“其他”集合很大，但是您现在有两种互补的方式来检测其他输入：通过“其他”输出节点或11个歧义输出之一。

Answer 4

另一个解决方案是检查您的CNN通常在得到其他结果时会产生什么结果。 我相信最后一层必须是softmax，而您的CNN应该返回三个给定类的概率。 如果这些概率中的任何一个都不接近1，则这可能意味着如果您的CNN受过良好的训练，这可能是另一回事（预测错误的标签时，必须对它的过度自信加以罚款）。