避免对未使用 CNN 训练的输入进行预测

Question

我已经使用 CNN 训练了 5 种不同的手势。 他们运作良好并给出了正确的预测。 但是，当我做的手势不是这 5 个经过训练的手势时，系统仍会将手势归类为经过训练的手势之一。 意思是，给出的结果是错误的，因为不应预测手势。 我应该如何克服这个问题？

我随机拍了一些照片并将它们归类为“无”，然后用手势训练它们以减少错误检测。 但这并没有太大帮助。

然后我认为也许可以使用概率分数来限制预测，例如仅在概率超过 70% 时才给出预测。 但它不起作用，因为未经训练的手势总是得到 100%。

Answer 1

当您给您的 model 一个新手势时，您期望会发生什么？ 您已经训练它将手势区分为五个类别之一，并且您有第六个 class, nothing ，它由完全没有手的图像组成。 根据您的功能定义，修改我上面的评论（错误计数），您现在向它展示的图像不适合这六个类中的任何一个。

你遇到的问题是你还没有建立一个可行的训练集。 有手的东西将比“无” class 更接近前五个类 - 您可能已经将其训练为“无手”的概念。 因此，您会得到最好的匹配，因为有很多相似之处，而差异很小：“竖起大拇指”手势与您提供的“随机”照片有什么共同点？

从信息论的角度来看，没有model 可能会从提供的训练图像中学习您想要的差异化。 如果您希望您的 model 学习手势并将它们与其他手部位置区分开来，那么您必须对其进行适当的训练。 正如您已经意识到的那样，给它一个弱的“其他”概念是行不通的。

您将需要使用包含所需信息的训练集：至少 10% 的训练集必须是“无”图像的手部位置。 您可能需要超过 10%，甚至可能比任何其他 class 更多。 您可能需要升级拓扑。 实验——这是model开发的常用方法。