问如何使用只有一种数据类别的数据集

EN

该模型学习匹配权值根据图像和反馈从标签数据。

如果您将一些图像类提供给"Not“，它将学习将类似的功能分类为"Not”。但对于一个新的班级来说可能会失败。

例如，如果它被训练成“汽车/家具/狗”为“非猫”，那么野生猫很有可能被归类为猫。

转储所有Imagenet数据集肯定会为"Not“类提供相当大的差异，并且可能大部分时间都能工作，但这并不是解决问题的合适方法。

这类问题属于一类分类.

其核心思想是利用CNN提取特征，然后使用一些专门的模型，如单类支持向量机、高斯混合等来定义“猫”的边界。

这个问题，正如单类支持向量机方法所定义的，包括识别一个包含所有(或大部分)数据的球体。解决这个问题的经典策略考虑了球的中心和半径的同时估计。

您可以从这些链接开始(按指定的顺序)-

黑客中午博客

阿西夫

研究门

还有其他方法，即基于自动编码器。在这里，我们试图对重建误差设置一个阈值。

参考资料-

奎拉

所以

Keras博客

此外，可以在这里查看一个想法，为“不猫”类生成随机图像。

这里

短答案

看来你在找一类分类方法。有几种方法，如隔离林，一类支持向量机，自动编码器的重构误差 (仅由你的积极类训练)，等等。所有这些分类器都是从一个类别中学习的。

在

下面编辑关于创建“无猫”类

的

必须知道:当通常训练分类器来区分猫和无猫时，你应该把它们的预测解释如下：

如果它说它是一只猫，那就意味着它看起来更像一只猫，而不是一只没有猫。没别的了。

如果有一天你的分类器看到它从未在你的“没有猫”训练数据集中看到的输入，它可以选择它看起来更像一只猫。

结论:在创建“无猫”类时要小心/小心。

--对一类分类

的初步认识

一个类分类的目标不再是区分多个类，而是找到单个类的最佳描述边界。

一个简单易懂的例子，用距离法：

1. 采取一些功能，代表您的一类输入数据。
2. 在这个特征空间中，计算两个最近邻之间的最大距离d_{max}。
3. 在此特性空间中投影任何新输入，并计算其与最近邻居的距离。
4. 如果这个距离大于d_{max}，那么它不是您的类。否则，它就是。

当然，这是一个主要的例子，但它可能会给您一个类别分类的概念。

单类分类的一个困难是找到正确的特征集.为了进一步了解这个示例，可以使用任何限制集群(例如某些聚类算法)的方法来创建一个类分类器。

更进一步

单级分类问题近年来受到越来越多的关注.你可以看看这些文章：

• 学习一类fi阳离子的深层特征
• 可解释的深度一级分类
• 基于一类神经网络的异常检测

如果这个模型所知道的只是一件事，它就不能接受训练。必须有“不是猫”的例子才能让它学习。

要解决这个问题，你可以找到任何东西来训练它，只要它不是猫，并且增强你的训练数据集。培训集应该是“猫”和“不是猫”的混合。一旦你这样做了，你将开始完善你的模型的准确性的过程。