我有一个图像分类问题,其中类的数量随着时间的推移而增加,当创建一个新类时,我只用新类的图像训练模型。我知道用CNN是不可能做到这一点的,所以为了解决这个问题,我确实转移了学习,我使用了Keras预训练模型来提取图像的特征,但我没有用新的层替换最后一层(用于分类),而是使用了能够增加类数量的随机森林。我使用在imagenet数据集上训练的InceptionResnetV2达到了86%的准确率,这对目前来说是好的。
现在我想做同样的事情,但是是关于一个物体检测问题。我如何才能做到这一点?我可以使用Tensorflow对象检测API吗?
有没有可能用Faster-RCNN或SSD这样的检测算法,用随机森林取代预先训练好的CNN的最后一层?
发布于 2018-06-27 01:54:02
是的,您可以使用Tensorflow对象检测API实现上述方法。此外,您还可以使用InceptionResnetV2训练的模型作为特征提取器。tensorflow对象检测API已经在coco数据集上训练了InceptionResnetV2特征提取器。它可以在https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md上找到
或者,如果您想提供或创建自定义要素提取器,请单击链接https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/defining_your_own_model.md
如果您不熟悉Tensorflow对象检测API。请按照本教程操作,https://github.com/EdjeElectronics/TensorFlow-Object-Detection-API-Tutorial-Train-Multiple-Objects-Windows-10
希望这能有所帮助。
https://stackoverflow.com/questions/51045910
复制相似问题