Python 基于单个学习图像的机器学习图像检测
我有一个用例,在300个不同的项目中,我有大约300个图像。我需要机器学习每分钟检测一个项目 我一直在使用Keras和Sequential来检测图像,但我想知道当我有300个标签并且每个标签只有一个图像用于学习时,我应该考虑什么 简言之: 1) 你能用每个标签一张学习图像进行机器学习图像检测吗Python 基于单个学习图像的机器学习图像检测,python,machine-learning,keras,artificial-intelligence,sequential,Python,Machine Learning,Keras,Artificial Intelligence,Sequential,我有一个用例,在300个不同的项目中,我有大约300个图像。我需要机器学习每分钟检测一个项目 我一直在使用Keras和Sequential来检测图像,但我想知道当我有300个标签并且每个标签只有一个图像用于学习时,我应该考虑什么 简言之: 1) 你能用每个标签一张学习图像进行机器学习图像检测吗 2) 我考虑过什么特别的事情吗?如果你只在那张图像上训练一次,它可能还无法检测到它。如果你对它进行更多的训练,它可能会过度贴合,只识别出一张图像。如果您正试图这样做,那么您应该制定一个算法在屏幕上搜索该图
2) 我考虑过什么特别的事情吗?如果你只在那张图像上训练一次,它可能还无法检测到它。如果你对它进行更多的训练,它可能会过度贴合,只识别出一张图像。如果您正试图这样做,那么您应该制定一个算法在屏幕上搜索该图像(这样会更有效)。1)由于缺乏训练集,您可能会在模型的泛化方面遇到问题。换句话说,您的模型不会“了解”该类
2) 为了创建更好的模型,最好有更好的训练集 如果这是一个特例——比如说,每100个班级中就有一个班级是由一张培训图片表示的——那么你可能会侥幸逃脱。然而,每个类都有一个独特的映像会带来麻烦 神经网络通过迭代校正进行学习,找出哪些特征和组合在区分类别时是重要的,哪些不是。培训始于一个与研究有一些相似之处的混乱过程:查看可用数据,形成假设,然后对照真实世界进行测试 在神经网络中,“假设”是它开发的各种内核。每个内核都是一个模式,用于识别对识别过程非常重要的内容。如果您缺少足够的示例,模型无法概括和区分每个类别,那么您就有风险(实际上,您有可能)模型得出的结论对一个输入图像有效,但对同一类别中的其他图像无效 例如,我的一个熟人用自己的照片做了一个典型的猫或狗模型,展示了他自己家里的宠物和几个朋友的宠物。这个模型训练得很好,在测试数据上100%准确地识别猫和狗,他把它投入工作 。。。如果失败了,准确率约为65%(随机猜测为50%)。他做了一些分析,发现了问题:他的朋友有室内的猫,但他们喜欢的狗照片是户外的。很简单,模特学会了辨别猫和狗,而是沙发和橱柜与室外树叶。其中一个主要过滤器是大的、纹理丰富的绿色区域。是的,狗是一种巨大的、有纹理的绿色生物。:-)
你的一次性训练唯一可行的方法是,如果你的每一张训练图像都是专门设计的,完全包含了那些将这个类与其他299类区分开来的特征,而没有其他视觉信息。不幸的是,要确定这些可能是什么特性,并提供规范的培训照片,您必须提前知道模型需要选择什么模式
这完全挫败了深度学习和模型训练的用例。1)并非如此possible@Primusa当然这是可能的,但这可能很难,也可能无效我们目前的型号没有。没有一种ML能够正确地学习基于单个图像识别任何训练数据。元学习可能会有所帮助。