我正在构建一个类似于alexnet（https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks）的图像分类器 .
我有6个类别[人，汽车，自行车，动物，水上飞机，船] . 所以现在，如果我给出一个不属于上述类的对象，它将被分类为具有一定概率的任一类 .
为了提高准确性，添加更多类或添加否定类是明智的吗？
如果我必须添加一个否定类，我会训练哪种数据？
谢谢
我正在构建一个类似于alexnet（https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks）的图像分类器 .
我有6个类别[人，汽车，自行车，动物，水上飞机，船] . 所以现在，如果我给出一个不属于上述类的对象，它将被分类为具有一定概率的任一类 .
为了提高准确性，添加更多类或添加否定类是明智的吗？
如果我必须添加一个否定类，我会训练哪种数据？
谢谢
2 回答
想一想你最终想要制作什么 .
您需要一种算法，告诉您传递的图像是汽车，自行车，动物，人，水上飞机，船 .
用户是否应该传递代表其他内容的图像？如果是这样，您可以添加“其他”类 .
那么，这取决于你想要 Build 什么样的分类器和可用的训练数据 .
如果您有足够的训练数据用于新 class ，例如火车，您可以轻松添加新 class . 这很简单 . 但问题仍然存在，如果在输入端出现一些新物体，那该怎么办......
我认为你的问题是，当一个对象（不是训练集）被呈现给网络时，如何处理这种情况 . 在这种情况下，添加负类是非常复杂的，因为网络需要足够的和清晰的负面类训练数据 . 因此，处理这种情况的一种方法是检查输出概率 . 如果没有训练班得出70％的输出概率，则将输入分类为模糊或负类 .