Image processing 卷积神经网络作为二值分类器

给定任何图像，我希望我的分类器判断它是否是向日葵。如何创建第二个类？将所有可能的图像集-{Sunflower}保留在第二个类中是一种过分的做法。有没有这方面的研究？目前，我的分类器在最后一层使用神经网络。我是根据以下教程编写的：

我用254x254作为输入拍摄图像。

---

SVM在最后一层有帮助吗？此外，我也愿意使用任何其他分类器/功能，这可能会对我有所帮助。

ML中的标准方法是：

1） 构建模型 2） 尝试使用正面/负面示例对某些数据进行培训（从培训集中的pos\neg的50\50开始） 3） 在测试集中验证它（同样，在测试集中尝试50\50个pos\neg示例） 如果结果不好： a） 尝试不同的模式？ b） 获取更多数据

对于案例b，在决定需要哪些额外数据时，对我来说非常有效的经验法则是： 1） 如果分类器给出了大量的假阳性（告诉我们这是一朵向日葵，而实际上它根本不是一朵向日葵），那么得到更多的负面例子 2） 如果分类器给出了大量的假阴性（当它实际上是向日葵时，告诉它这不是向日葵），那么得到更多的正面例子

通常，从一些合理数量的数据开始，检查结果，如果列车组或测试组的结果不好，则获取更多数据。当获得最佳结果时，停止获取更多数据

另一件事你需要考虑的是，如果你的结果与当前的数据和当前的分类器不好，你需要了解如果问题是高偏压（好，坏结果在火车集和测试集），或者如果它是一个高方差的问题（火车上的结果不错，但是测试集上的结果不好）。如果您有高偏差问题-更多数据或更强大的分类器肯定会有所帮助。如果你有一个高方差的问题-不需要更强大的分类器，你需要关于泛化的东西-引入正则化，也许从你的ANN中移除几层。对抗高差异的另一种可能方法是获取更多的数据

---

总之，您需要使用迭代方法，并尝试逐步增加数据量，直到获得好的结果。没有魔术棒分类器，也没有关于应该使用多少数据的简单答案。

最好使用CNN作为特征提取器，剥离用于分类的原始完全连接层并添加新分类器。这也被称为迁移学习技术，在深度学习研究领域得到了广泛应用。对于您的问题，使用单类SVM作为添加的分类器是一个不错的选择

具体来说,

• 一个好的CNN特征提取器可以在大型数据集上进行训练，例如ImageNet
• 然后可以使用“sunflower”数据集对单类SVM进行训练

---

解决问题的关键部分是实现单类SVM，也称为异常检测或新颖性检测。您可以参考一些关于该方法的见解。

您应该使用的“负面示例”取决于您将让分类器看到的数据类型。如果只是别的花，就用剩下的花。如果是植物，你也需要这个领域的例子。我想涵盖整个领域。在这种情况下，我应该如何抽取我的负面例子？那么，在这种情况下，来自image net数据库中每个synset的单个图像就足够了吗？我更感兴趣的是使用一个类分类器，这样就不需要对负面示例进行采样。我该怎么做？对不起，我不理解你的问题。要训练一个好的二元分类器（正面示例只返回1，负面示例返回0-Sunflower\not Sunflower），您必须提供正面和负面示例的示例。你应该尽可能地把你的问题领域包括进去，以获得最好的结果。我的意思是，我假设你不想对问题领域进行全面的抽样，但你需要“以某种方式”对其进行抽样。在没有对问题域的负面示例进行采样的情况下，制作一个好的分类器是不可能的。