Tensorflow 从一般预训练图像模型中提取的特征给出了不同的结果

测试从InceptionV3和ResNet50预训练模型（使用keras和tensorflow）中提取的特征，对于简单的图像相似性，每个模型都给出了不同的（事实上，非常不同）结果

提取的特征按原样使用并归一化，但结果相同

---

有人知道为什么吗？

假设您指的是在最后一个convblock之后从平坦层提取的特征，这是意料之中的，因为架构不同。因此，特征空间在概念上是不同的，特征只能用于每个模型的相似性检查，并且不匹配

谢谢你的澄清。这证实了预训练模型可以很好地进行分类（比如1000个imagenet类），但并不真正适合特征提取，因为模型之间的结果不同，这有点像由两个不同的人使用两种不同的技术执行的手动特征工程。你能详细说明为什么要使用不同的模型吗？使用从一个模型中提取的特征，您可以像这样进行图像相似性搜索或图像聚类：我不想使用不同的模型。我试图弄明白为什么使用inceptionv3对image-a进行相似性搜索会返回与使用resnet50对image-a进行相似性搜索完全不同的结果集。即使特征空间不同，为什么相同图像的结果如此不同？很有趣。这确实没有道理。在这种情况下，如果您共享一些代码片段并描述如何准确地进行比较，可能会有所帮助。