У меня есть вопрос относительно того, как выполнить оценку в системе, описанной на изображении
Я обучил и N1, и N2 для преобразования входного изображения (Im) по отношению к классу ввода. Если вход относится к классу 1 (C1), то я обновил N1. Если он принадлежит C2, я обновляю C2. В то же время я обновляю классификатор, чтобы учесть преобразование, присущее каждому классу.
Теперь, когда система обучена, я хочу предсказать новые входящие выборки. Поскольку у меня нет метки, которая говорит мне, какая сеть (N1 или N2) должна преобразовать Im, то мне нужно передать ее обоим, и поэтому у меня будет два преобразованных изображения T1 и T2. Мой классификатор должен назначить две метки сейчас во время теста, но мне нужна только одна. Теоретически, если входное изображение принадлежит классу 2, то T1 - это изображение, которое классификатор должен классифицировать с низкой достоверностью, поскольку при обучении классификатор видел только T2-подобные изображения для входов класса C2, тогда как T2 должен иметь более высокую достоверность и наоборот.
Моя проблема в том, что я не знаю, как реализовать эту идею. Я перепробовал слишком много вещей. Выход моего классификатора представляет собой вектор из двух значений для каждого изображения. Поэтому у меня будет пара векторов (C1_t1, C2_t1) и (C1_t2, C2_t2), указывающих вероятности каждого преобразованного изображения T1, T2 принадлежности к классам C1, C2. Мне нужно найти способ из этих значений для вывода окончательного класса. Моя интуиция заключается в том, что путем подачи T1 и T2 к классификатору и получения большего значения между (C1_t1, C2_t1) и (C1_t2, C2_t2) перед слоем softmax должен быть правильный ответ. Но, похоже, мои системы только учат тип трансформации, а не релевантную информацию в изображении.