我有一个图像分类问题，其中类别的数量随着时间的推移而增加，并且当创建新类别时，我只是使用新类别的图像训练了模型。我知道这与CNN是不可能的，因此为了解决此问题，我进行了转移学习，在其中我使用Keras预训练模型提取图像的特征，但没有用新层替换最后一层（用于分类） ，我使用了能够增加类数量的随机森林。使用在imagenet数据集上训练的InceptionResnetV2，我达到了86％的精度，这对现在来说是个好方法。
现在我想做同样的事情，但是要解决对象检测问题。我该如何实现？我可以使用Tensorflow对象检测API吗？
是否可以用诸如Faster-RCNN或SSD的检测算法用随机森林替换经过预训练的CNN的最后一层？
答案 0 :(得分：1)
是的，您可以使用Tensorflow对象检测API实施上述方法。另外，您可以将InceptionResnetV2训练有素的模型用作特征提取器。 tensorflow对象检测API已经在可可数据集上训练了InceptionResnetV2特征提取器。可在https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md
获得或者，如果您要提供或创建自定义功能提取器，请点击链接https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/defining_your_own_model.md
如果您不熟悉Tensorflow对象检测API。请遵循本教程， https://github.com/EdjeElectronics/TensorFlow-Object-Detection-API-Tutorial-Train-Multiple-Objects-Windows-10
希望这会有所帮助。