避免對未使用 CNN 訓練的輸入進行預測

Question

我已經使用 CNN 訓練了 5 種不同的手勢。 他們運作良好並給出了正確的預測。 但是，當我做的手勢不是這 5 個經過訓練的手勢時，系統仍會將手勢歸類為經過訓練的手勢之一。 意思是，給出的結果是錯誤的，因為不應預測手勢。 我應該如何克服這個問題？

我隨機拍了一些照片並將它們歸類為“無”，然后用手勢訓練它們以減少錯誤檢測。 但這並沒有太大幫助。

然后我認為也許可以使用概率分數來限制預測，例如僅在概率超過 70% 時才給出預測。 但它不起作用，因為未經訓練的手勢總是得到 100%。

Answer 1

當您給您的 model 一個新手勢時，您期望會發生什么？ 您已經訓練它將手勢區分為五個類別之一，並且您有第六個 class, nothing ，它由完全沒有手的圖像組成。 根據您的功能定義，修改我上面的評論（錯誤計數），您現在向它展示的圖像不適合這六個類中的任何一個。

你遇到的問題是你還沒有建立一個可行的訓練集。 有手的東西將比“無” class 更接近前五個類 - 您可能已經將其訓練為“無手”的概念。 因此，您會得到最好的匹配，因為有很多相似之處，而差異很小：“豎起大拇指”手勢與您提供的“隨機”照片有什么共同點？

從信息論的角度來看，沒有model 可能會從提供的訓練圖像中學習您想要的差異化。 如果您希望您的 model 學習手勢並將它們與其他手部位置區分開來，那么您必須對其進行適當的訓練。 正如您已經意識到的那樣，給它一個弱的“其他”概念是行不通的。

您將需要使用包含所需信息的訓練集：至少 10% 的訓練集必須是“無”圖像的手部位置。 您可能需要超過 10%，甚至可能比任何其他 class 更多。 您可能需要升級拓撲。 實驗——這是model開發的常用方法。