Как использовать обученную сиамскую сеть для прогнозирования меток для большого набора тестов с более чем 100 классами?

Question

Нужно ли сравнивать каждое тестовое изображение с примером изображения из каждого класса? Тестовый набор содержит около 7400 изображений в 104 классах. Так что это будет предсказание 7400 x 104?

Используя тензорный поток на процессорах, я смог довольно эффективно обучить модель. Тем не менее, прогнозирование меток с использованием вышеуказанного метода занимает очень много времени, и, кроме того, вызов прогнозирования модели вызывает утечки памяти, которые в конечном итоге приводят к отказу ядра (память может взорвать до 30 + ГБ и считать).

Answer 1

Есть несколько способов сделать это:

• (не рекомендуется) Это в основном подмножество того, что вы на самом деле делаете. Вы можете взять несколько изображений из каждого класса и сравнить их с тестовым изображением. Допустим, вы выбираете 5 изображений из каждого класса, поэтому вам придется делать 5 * 104 прогнозов.
• Вы можете использовать модель K - ближайшего соседа, где вам придется делать прогноз вашего 7400 (или подмножества). из них) изображений только один раз, т.е. создайте модель KNN, а затем непосредственно используйте классификатор KNN для прогнозирования класса изображения.

Вы также можете обратиться к Блогу , если у вас нет большого представления о KNN или вы хотите взглянуть на реализации кода.