图像分类转移学习需要否定示例吗？

Question

任务是确定图像属于3个类中的哪一个，或者不属于哪个类。

我收到了现成的模型。具有ImageNet权重的EfficientNet B4已将转移学习应用于识别4个类别：3个目标类别和第4个“无”类别。后者接受了不包含任何目标物体的随机图像示例的训练。

问题是它是否正确？需要第四类吗？

我的直觉是，仅应在3个目标类别上训练网络。如果输出概率保持低于某个阈值（90％？），则应将图像视为不包含任何目标对象。我说的对吗？

Answer 1

由于softmax函数的性质和训练网络的方式，您需要第4类。

让我们看一个具体的例子：您训练网络来区分苹果，橙子和香蕉。但是，您会以某种方式得到李子的照片。

乍一看，您可能会感到惊讶，但是您需要数据集中的另一个类。不能保证使用阈值处理将帮助您消除其他类别。

您可能会遇到以下两种情况：

1. 假设您要在未知的N + 1类上进行测试，则对于未知类，输出概率保证为1 / N。
2. 某个阈值，超过该阈值（如您所假设的），该阈值<90％不是分类。

假设以下情况：

1. 如果您的情况下苹果看起来真的像苹果 橙色，并且您的模型可以正确预测40％的苹果，30％的橙色，30％ 香蕉，但是由于您应用了阈值，因此可以正确识别 苹果（真阳性）被淘汰了吗？一种简单的情况，您会消除网络的良好输出
2. 您仍然可以将91％的课程分配给一个班级，尽管新的“水果”到来并不属于您的数据集；这是由于固有的计算以及softmax的工作方式所致。

个人经验：我曾经训练过网络来区分多种类型的交通标志。出于好奇，我举了一个客厅椅子的例子。我期望像您一样的事情（阈值），但令我惊讶的是，这是“ Yield Way”的85％。