是否可以使用通常训练有素的深度学习分类器在子类中进行分类？

Question

假设，深度学习分类器经过培训，可以区分汽车，船舶，卡车，鸟类，马匹和狗的图像。但是所有鸟类的训练数据都是黄色的鸟类。

然后，训练有素的分类器是否可以仅用于检测鸟类图像数据集中的黄色鸟类？图像数据只是一个例子。数据也可以是DNA序列等其他东西。如果这个问题不合情理或太基础，请耐心等待。

Answer 1

在你提到的例子中，你不是在学习你的分类器来区分汽车，轮船，卡车，鸟类，马匹和狗，而是你提到的五件事和黄色的鸟。这意味着当从 bird unit 得分时 - 假设你的模型表现良好并且你的数据集足够大 - 那么你可能会认为它能够区分不同的对象和黄色的鸟 - 当这些不同的物体成为其他鸟类时。当然 - 它只有很小的概率才能学会仅使用形状来区分鸟类和不同的物体 - 但在我看来它太小而不能被考虑在内。当然 - 您可以通过简单地生成适当的测试数据集来检查它。

一般来说 - 这取决于很多因素。其中之一是您的网络的架构和设计。由于彩色图像的自然卷积，辨别出不同颜色的黄色鸟类应该很容易。在不同的情况下 - 它可能不那么明显。另外一点是你想要在这些类中相互区别的概念。如果是示例 - 这个其他类可以构建出与学习过的概念相同的概念 - 您可能遇到问题 - 因为网络可能只是将它们作为黄鸟的指标来学习。

因此，最好的办法是设计合适的测试数据集，并在不同类别的分数之间进行比较。如果你证明这个分数表现良好 - 那么你就完成了。如果不是 - 您需要重新训练您的网络。

Answer 2

它主要取决于分类器捕获哪些特征来检测鸟类。如果主要标准是，例如，看起来像翅膀的形状和喙，那么黄色的鸟类几乎与其他鸟类无法区分。

另一方面，如果黄色确实对分类很重要，那么黄色的鸟将被标记为比任何其他颜色的鸟更有信心的鸟。例如，一只黄色的鹦鹉将是“80％的鸟，10％的猫”，白色的天鹅将是“60％的鸟，30％的鱼”。但是，你不能提前依赖它。