每個輸出單位都有什麼不同？

對戰葫蘆南瓜的示例

直觀地，它可能似乎明智的這些圖像分類爲兩個不同的輸出，cinderella-pumpkin和gourd-pumpkin，由於他們看起來有多不同。

我的問題是，如果我接受包含灰姑娘南瓜和葫蘆南瓜的圖像的訓練集並將它們歸入pumpkin的類別，那麼網絡的性能會比我將它們分離成更差兩類？什麼是關於兩個對象如此不同以至於應該分成不同類別的閾值？

或者爲了清晰起見，如果我拍攝了貓和菠蘿的照片並將它們歸類到同一類別中，那麼網絡的能力如何在分類每個相應對象時受到影響比較是否創建了cat輸出和pineapple輸出？

2016-02-08 Andrew Hu

對不起，我意識到這個問題可能更好地屬於交叉驗證 –

其實，我認爲這個問題屬於你自己的桌面。你談到性能和準確性，但你還沒有確定網絡的目的。閾值和結果取決於您設計到培訓數據中的分類。當你完成這個網絡後，你期望什麼？如果你想讓它辨別食用和不可食用的物體，或者從綠色的橘子，或者植物中的動物，那麼你的南瓜辨別不起作用。 – Prune

@prune你錯過了我的問題。我問是否有兩種類型的對象（在這種情況下是灰姑娘和葫蘆南瓜）在相同種類的南瓜下影響網絡識別每個對象的能力。在這種情況下，網絡的唯一目的是識別南瓜而不是南瓜。 –

它取決於你的訓練觀察的固有相似性。我沒有設置閾值：我使用功率迭代聚類（或其他無監督分類）來指導我在訓練數據中存在重要分歧的地方。 k-means也是一種流行的選擇，因爲它是一個常用的實現，並且相對容易理解。

另一個考慮因素是「非南瓜」數據的相似性，比如籃球（與灰姑娘相比）。再次，我採用無監督的學習方法。在這種情況下，我希望籃球比灰姑娘更接近灰姑娘。這爲南瓜類型提出了單獨的類別 - 或者在圖像處理中更多的特徵檢測，以發現南瓜品種間的相似性。

這有幫助嗎？

2016-02-08 21:33:13 Prune

回答