假设我有 3 个图像（一个苹果、一个橙子、一个香蕉）和另外 1000 个任意图像。我想要做的是查看这 1000 个任意图像是否包含与前 3 个图像相似的对象，如果是，则绘制一个边界框来指示这些对象。但是，这 1003 个图像或对象都没有标记，也没有任何注释。
我在互联网上做了一些研究，并试图找到一些深度学习对象检测方法（例如 Faster R-CNN、YOLOv3），但我想不出它们与我的任务有什么关系。
我也注意到有一个名词叫模板匹配，不过好像和深度学习关系不大。
所以我的问题是：
有什么好的方法或深度学习模型可以满足我的需求吗？
我会从任何预训练的 Faster R-CNN、YOLOv3 模型中受益吗？ （例如，如果他们通过汽车、人、狗、猫的图像集进行训练，这些有意义的特征是否也可以应用于新领域？）
【问题讨论】：
标签： tensorflow machine-learning object-detection yolo faster-rcnn
我想做的是看看这 1000 张任意图像是否包含与前 3 张图像相似的对象
“相似”是什么意思？
如果您的意思是“我想查看这 1000 张图像是否包含来自目标类的对象：橙、苹果和香蕉”，那么答案如下：
如果您的模型已经使用您的目标类（橙色、 苹果和香蕉），那么您可以使用这些预先训练的模型 检测 1003 张图像中的对象。你可以选择橙色， 苹果和香蕉作为配置中的类名。
如果您的预训练模型没有在您的目标类上进行训练，并且您只有 1003 张图像，那么您将需要进行所谓的微调， 这是训练模型的最后一层。 1003 张图像可能不足以训练模型，您可能需要执行数据增强来扩展数据。另外，请考虑使您的类平衡（意味着每个类具有相同数量的对象）。
对于接近“相似度得分”的东西，您可以考虑 x 类的置信度分数，即边界框包含对象 x 的可能性。 但是，这个置信度分数主要取决于“训练”模型在类 x 上。例如，不同模型对相同图像的置信度得分可能不同。此外，同一模型在不同角度、光照和方向上对同一对象可能具有不同的置信度分数。因此，无论如何，对模型进行微调可能是一个更好的主意，以便它们对目标类的任何表示都更加“稳健”。
【讨论】：