使用機器學習檢測基於單個學習圖像的圖像

Question

我有一個用例，其中我有 300 個不同項目中的大約 300 個圖像。 我需要機器學習大約每分鍾檢測一次項目。

我一直在使用 Keras 和 Sequential 來檢測圖像，但是我想知道當我有 300 個標簽並且每個標簽只有一個圖像用於學習時應該考慮什么。

簡而言之：

1) 你能用每個標簽一個學習圖像進行機器學習圖像檢測嗎？

2）我有什么特別考慮的事情嗎？

Answer 1

如果這是一個特殊情況——比如說，100 個班級中的一個由單個訓練圖像表示——那么你可能會僥幸逃脫。 但是，每個類的唯一圖像是自找麻煩。

神經網絡通過迭代校正來學習，找出哪些特征和組合是重要的，哪些不是，以區分彼此的類別。 訓練從一個與研究有一些相似之處的混亂過程開始：查看可用數據，形成假設，然后針對現實世界進行測試。

在神經網絡中，“假設”是它開發的各種內核。 每個內核都是一種模式，用於識別對鑒別過程很重要的東西。 如果您缺乏足夠的示例來讓模型對每個類別進行泛化和區分，那么您將冒着模型得出對一個輸入圖像有效的結論的風險（實際上，您有可能），但對同一輸入圖像中的其他圖像無效班級。

例如，我的一個熟人使用他自己的照片制作了規范的貓或狗模型，展示了他自己家和幾個朋友的寵物。 該模型訓練得很好，在測試數據上以 100% 的准確率識別了貓和狗，他將其投入工作......

...失敗的地方，准確度約為 65%（隨機猜測為 50%）。 他做了一些分析，發現了問題：他的朋友有室內貓，但他們最喜歡的狗照片是在戶外。 很簡單，該模型已經學會了識別不是貓與狗，而是沙發和廚櫃與戶外樹葉。 主要過濾器之一是大的、有紋理的綠色區域。 是的，狗是一種大而有紋理的綠色生物。 :-)

---

只有這樣，你的單次培訓會的工作是，如果每個訓練圖像是專門為包括正是從其他299區分該類這些功能，並沒有其他的視覺信息。 不幸的是，要確定這些可能是什么特征並提供規范的訓練照片，您必須事先知道模型需要選擇哪些模式。

這完全打敗了深度學習和模型訓練的用例。

Answer 2

如果您只對該圖像進行一次訓練，它可能還無法檢測到它。 如果您對其進行更多訓練，它可能會過度擬合並且只能識別該圖像。 如果這就是你想要做的，那么你應該制定一個算法來搜索該圖像的屏幕（它會更有效率）。

Answer 3

1) 由於缺乏訓練集，您可能會在模型泛化方面遇到問題。 換句話說，您的模型不會“學習”該類。

2）為了創建更好的模型，最好有更好的訓練集。