Использование машинного обучения для обнаружения изображений на основе одного обучающего изображения

Question

У меня есть случай, когда у меня есть около 300 изображений из 300 различных предметов.Мне нужно машинное обучение, чтобы обнаруживать объект примерно раз в минуту.

Я использую Keras с Sequential для обнаружения изображений, но мне интересно, что я должен учитывать, когда у меня 300 этикеток и только одно изображениеза ярлык для обучения.

Короче говоря:

1) Можете ли вы сделать обнаружение изображений с помощью машинного обучения по одному обучающему изображению на ярлык?

2) Есть ли что-то особенноеЯ принимаю во внимание?

Answer 1

1) Вероятно, у вас возникнут проблемы с обобщением ваших моделей из-за отсутствия обучающего набора.Другими словами, ваша модель не будет «узнавать» об этом классе.

2) Хорошо иметь лучший тренировочный набор, чтобы создать лучшую модель.

Answer 2

Если бы это был особый случай - скажем, один класс из 100 был представлен одним тренировочным изображением - тогда вам это может сойти с рук.Тем не менее, уникальное изображение для каждого класса порождает проблемы.

Нейронная сеть учится путем итеративной коррекции, выясняя, какие особенности и комбинации важны, а какие нет, чтобы отличать классы друг от друга.Обучение начинается с хаотического процесса, который имеет некоторые сходства с исследованиями: посмотрите на доступные данные, сформируйте гипотезы и затем протестируйте их в реальном мире.

В NN «гипотезы» - это различные ядра, которые он разрабатывает.,Каждое ядро ​​- это шаблон для распознавания чего-то важного для процесса дискриминации.Если вам не хватает примеров, позволяющих модели обобщать и различать для каждого класса, вы рискуете (на самом деле, у вас есть вероятность) модели, делая вывод, который действителен для одного входного изображения, но не для других в том жекласс.

Например, один мой знакомый сделал каноническую модель "кошка или собака", используя свои собственные фотографии, показывающие домашних животных его домашнего хозяйства и домашних животных пары друзей.Модель хорошо тренировалась, идентифицировала кошек и собак со 100% точностью по данным испытаний, и он привел ее в работу ...

... там, где она провалилась, с точностью около 65% (случайное угадываниесоставляет 50%).Он сделал некоторый анализ и нашел проблему: у его друзей есть домашние кошки, но их любимые фотографии собак были на улице.Проще говоря, модель научилась распознавать не кошек против собак, а диваны и кухонные шкафы против листвы на открытом воздухе.Одним из главных фильтров были большие текстурированные зеленые зоны.Да, собака - это большое, текстурированное, зеленое существо.: -)

---

Единственный способ, которым ваша тренировка с одним выстрелом сработает, - это если бы каждая из ваших тренировочных образов была специально разработана так, чтобы включать точно те функции, которые отличают этот класс от других299 и нет другая визуальная информация.К сожалению, чтобы определить, какими функциями они могут быть, и предоставить канонические обучающие фотографии, вам нужно заранее знать, какие шаблоны нужно выбрать модели.

Это полностью отрицает случай использования глубокого обучения и модели.подготовка.

Answer 3

Если бы вы тренировались на этом изображении только один раз, он, вероятно, еще не смог бы его обнаружить.Если вы тренируете его больше, он, вероятно, переусердствует и распознает только одно изображение.Если это то, что вы пытаетесь сделать, то вам следует создать алгоритм для поиска этого изображения на экране (это будет более эффективным).