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

---

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：

假设您在未知的N+1类上进行测试，那么对于未知类，输出概率保证为1/N

---

一个特定的阈值，超过这个阈值（就像你假设的）感谢分享你的经验！选择“负面”图像进行训练似乎非常重要——不仅仅是随机图像？正如我在某处读到的，最初用于训练网络的ImageNet代表了整个“图像世界”的“知识”。因此，添加负面示例不会带来任何全新的效果？好吧，主要的区别在于，通过迁移学习，大量预先训练的特征被迁移，从而大大简化了学习问题。此外，您还可以通过迁移学习获得更好的结果/更高的准确性。然而，这并不意味着添加负面示例不会带来重要的变化：您仍然需要在自己的数据集（在这些n类上）上训练问题。同样，您可能只希望，如果由于数据集庞大且多样，因此传输了大量功能，那么它将消除任何可能的问题（拆分组件）。想法是，它不会消除任何问题，但会缓解您想要解决的实际问题（通过迁移学习，培训进展更快，你也可以取得更好的效果）。最终，如果你想区分苹果、橙子、李子和“其他水果”，你仍然需要创建名为“其他水果”的第四个类，其中将包含许多水果的示例。