假设我们有一组图像和标签用于机器学习分类任务。问题在于这些图像带有相对较短的保留策略。虽然人们可以在线训练模型（即每天使用新的图像数据进行更新），但我对一种可以保留某种图像以进行训练和测试的解决方案非常感兴趣。
为此，我很想知道是否有任何已知的技术，例如对图像进行某种单向哈希处理，使图像模糊，但仍然允许在其上进行深度学习。
我不是专家，但是我的思考方式如下：我们有一个OkButton图像NxN（例如I），像素值在1024x1024和单向哈希图P:={0,1,...,255}^3。然后，当我们在f(I):P^(NxN) -> S上训练卷积神经网络时，我们首先通过I映射了卷积滤波器，然后在高维空间S上进行训练。我认为不需要{{1} }是局部敏感的，只要我们知道如何将卷积滤镜映射到S，彼此相邻的像素就不需要映射到彼此相邻的S中的值。请注意，{{1} }不可逆，并且在f中存储的图像无法识别。
f的一个选项是在f上使用卷积神经网络，然后从其完全连接的层中提取S的表示形式。这是不理想的，因为此网络很有可能无法保留分类任务所需的更好功能。因此，我认为这排除了f,S的CNN或自动编码器。