如何使用卷积网络将图像分类为“未分类图像”答案

【问题标题】：How to categorize image as a 'not categorized image' by using convolutional nets如何使用卷积网络将图像分类为“未分类图像”
【发布时间】：2017-10-19 04:22:38
【问题描述】：

为了对 10 种图像进行分类，我使用 Keras 对基于卷积的序列模型进行了建模。我使用了 categorical_crossentropy。我的问题是，虽然我通过包含验证数据在训练模型上获得了 99% 的准确率，但我在识别不属于 10 个类别中的任何一个类别的图像时遇到了问题。这样做的正确方法是什么？我的模型对属于这些类型之一的任何测试图像都进行了很好的分类。但是，如果图像不是这些类型之一，我想将其归类为“未分类图像”，我该怎么做？

非常感谢您提前支持。

【问题讨论】：

标签： machine-learning computer-vision keras conv-neural-network

【解决方案1】：

开设 11 个班级。其中之一是“非分类”类。

【讨论】：

非常感谢您提出这个想法。如何创建第 11 类？比如说，假设我有 10 个疾病类，并且我为每 10 个类对图像进行了分类。为了提供 11th class，我应该使用什么样的图像来准备 11th class 的数据集？在生产环境中，我的系统应该处理各种未分类的图像，例如其他疾病图像甚至客户驾驶执照。它们应该被标记为未分类的图像。提前感谢您的支持。
以这些随机图像为例。从生产环境中获取一些。您也可以尝试 Pierre 和 Mathias 的方法。甚至混合它们。
嗯，这是很有价值的知识。谢谢你。我担心的是，要找到所有类型的“未分类图像”样本真的很困难，将它们错误分类到常规类别中仍然存在风险。 @Pierre-s 提到了一个很好的选择，比如为每个类创建一个单独的 10 个二进制模型。但即使我也不确定我的二进制分类中的另一组图像是什么:(
再想一想，其他答案中的两个选项都是等价的。
对不起，如果我重复了一些事情，但为了再澄清一次：让我们说我正在为 A 类创建一个模型。我的有效、训练和设置将是那：A：{来自 A 的图像}，而不是 A：{来自 B、C、D、E、F、G、H、I、J 的图像}。如果我的模型学会分类什么是 A，什么不是 A。它会根据剩下的 9 个类学习“什么不是 A”吗？我担心的是，在生产环境中，我有另一种类型的图像，该图像来自之前不在我的训练集中的类，例如 X 类。您是否认为我的模型将其分类为非 A 类之一？

【解决方案2】：

一种方法是按照 Daniel 描述的方式进行操作，否则您可以对预测类别的置信度和阈值设置阈值，如果低于阈值则为“未分类”

【讨论】：

提示：这种情况下不应使用softmax激活。

【解决方案3】：

我猜你的问题被称为“开放集分类”，而不是“封闭集分类”（所有测试类在训练时都是已知的）。解决您的问题的一个技术是训练 10 个“One vs All”模型。对于每个模型，您都可以了解图像是属于一个类别（正匹配）还是属于其余图像（负匹配）。使用它，如果测试图像与 10 个模型有负匹配，则表明它是未知类。

希望能有所帮助。

【讨论】：

谢谢。如果我为每个类创建一个单独的 10 个二元模型，我如何为我的二元分类创建一个代表其他未分类图像的集合:(?
这个想法是创建 10 个二进制模型，每个模型都回答“是我班级的图像部分”的问题。因此，对于每个二元模型，您将学习数据集中的所有其他图像作为负匹配。因此，您不会明确指出什么是未分类的图像。您将只了解每个模型是否有新图像属于它或世界其他地方（包括未分类）。
对不起，如果我重复了一些事情，但为了再澄清一次：让我们说我正在为 A 类创建一个模型。我的有效、训练和设置将是那：A：{来自 A 的图像}，而不是 A：{来自 B、C、D、E、F、G、H、I、J 的图像}。如果我的模型学会对什么是 A 什么不是 A 进行分类。它会根据剩下的 9 个类学习“什么不是 A”吗？我担心的是，在生产环境中，我有另一种类型的图像，该图像来自之前不在我的训练集中的类，例如 X 类。您是否认为我的模型将其分类为非 A 类之一？
正是因为它不会被任何分类器识别。