我需要在视觉上识别显示给相机的一些平面图片。它们并不多（可能是30个），但是区分可能取决于细节。输入可能会被部分遮挡或遮挡，并且可能会因灯光变化而怀疑。 样本需要更新。
现有许多对象检测框架，其中最可靠的框架取决于深度学习方法（主要是卷积网络）。但是，经过预训练的模型当然不能很好地识别平面图像，即使我从头开始训练，如果我对这是如何工作的，为新样本更新系统也将需要繁琐的训练过程。
是否可以在保持样本池灵活的同时使用深度学习？
还有其他众所周知的可靠方法可以检测少量样本中的图像吗？
答案 0 :(得分：0)
一个人可以使用训练有素的网络进行视觉分类，例如 Inception 或 SqueezeNet ，最后一层的切片，然后添加简单的统计算法（例如k-最近的邻居）可以由样本以非迭代的方式直接传授。
大多数与分类有关的计算（例如光照和方向不敏感）已经由经过预先训练的网络处理，而网络的输出保留了足够的信息以允许统计算法确定图像类别。
此处显示了使用k近邻的实现：https://teachablemachine.withgoogle.com/，源位于此处：https://github.com/googlecreativelab/teachable-machine。
答案 1 :(得分：-1)
使用转移学习；您仍然需要构建训练集，但与随机权重开始相比，您会获得更好的结果。尝试找到在与您相似的图像上训练的模型。您还可以对选定模型的黑匣子进行测试，并使用精选的图像作为基线对图像的响应曲线。