Tensorflow 图像分类迁移学习是否需要负面示例?
任务是确定图像属于或不属于三个类中的哪一个 我收到了一个现成的模型。EfficientNet B4和ImageNet weights应用转移学习识别4个类别:3个目标类别和第4个“无”。后者以不包含任何目标物体的随机图像为例进行训练 问题是这是否是正确的方法——是否需要第四节课Tensorflow 图像分类迁移学习是否需要负面示例?,tensorflow,keras,neural-network,classification,efficientnet,Tensorflow,Keras,Neural Network,Classification,Efficientnet,任务是确定图像属于或不属于三个类中的哪一个 我收到了一个现成的模型。EfficientNet B4和ImageNet weights应用转移学习识别4个类别:3个目标类别和第4个“无”。后者以不包含任何目标物体的随机图像为例进行训练 问题是这是否是正确的方法——是否需要第四节课 我的直觉是,net应该只在3个目标类上进行培训。如果输出概率低于某个阈值(90%?),则应将图像视为不包含任何目标对象。我说得对吗?由于softmax功能的性质和网络的训练方式,您需要第四节课 让我们来看一个具体的例子:
我的直觉是,net应该只在3个目标类上进行培训。如果输出概率低于某个阈值(90%?),则应将图像视为不包含任何目标对象。我说得对吗?由于softmax功能的性质和网络的训练方式,您需要第四节课 让我们来看一个具体的例子:你训练你的人际网络来区分苹果、橘子和香蕉。然而,你不知怎的得到了一张李子的照片 乍一看,您可能会感到惊讶,但您需要数据集中的另一个类。不能保证使用阈值将有助于消除其他类 您可能会遇到以下两种情况: