J'ai un cas d'utilisation où j'ai environ 300 images sur 300 articles différents. J'ai besoin d'apprendre la machine pour détecter un élément environ une fois par minute.
J'utilise Keras avec séquentialité pour détecter des images, mais je me demande ce que je devrais prendre en compte lorsque j'ai 300 étiquettes et une seule image par label pour apprendre.
Donc en bref:
1) Pouvez-vous faire la détection d'image d'apprentissage de la machine avec une image d'apprentissage par étiquette?
2) Y a-t-il des choses spéciales que je prends en compte?
3 Réponses :
Si vous deviez seulement vous entraîner sur cette image une fois, cela ne serait probablement pas en mesure de le détecter. Si vous l'entraînez davantage, cela sera probablement en forme et ne reconnaîtra que cette image. Si c'est ce que vous essayez de faire, vous devez faire un algorithme pour rechercher l'écran de cette image (ce sera plus efficace).
1) Vous aurez probablement des problèmes avec la généralisation de vos modèles car le manque d'entraînement défini. En d'autres termes, votre modèle ne "apprendre" pas sur cette classe.
2) Il est bon d'avoir une meilleure formation définie afin de créer un meilleur modèle.
Si c'était un cas particulier - dites, une classe in 100 était représentée par une seule image de formation - alors vous pourriez vous en sortir. Cependant, une image unique par classe demande des problèmes.
Un réseau neuronal apprend par correction itérative, déterminant les caractéristiques et les combinaisons importantes et qui ne sont pas, dans la discrimination des classes les unes des autres. La formation commence par un processus chaotique qui a des similitudes à la recherche: examiner les données disponibles, former des hypothèses et test puis contre le monde réel.
Dans un NN, les "hypothèses" sont les différents noyaux qu'elle développe. Chaque noyau est un modèle pour reconnaître quelque chose d'important pour le processus de discrimination. Si vous manquez de suffisamment d'exemples pour le modèle pour généraliser et discriminer chaque classe, vous exécutez le risque (en fait, vous avez la probabilité) du modèle faisant une conclusion valide pour l'image d'entrée, mais pas d'autres personnes dans le même classe.
Par exemple, une connaissance de la mine a fait le modèle canonique chat-ou-chien, utilisant ses propres photos, montrant les animaux de compagnie de son propre ménage et ceux d'un couple d'amis. Le modèle bien formé, identifié des chats et des chiens avec une précision de 100% sur les données de test, et il l'a amené au travail ...
... où il a échoué, avoir une précision d'environ 65% (la supposition aléatoire est de 50%). Il a fait une analyse et a trouvé le problème: ses amis ont des chats d'intérieur, mais leurs photos de chiens préférées étaient en dehors des portes. Très simplement, le modèle avait appris à identifier non pas des chats vs chiens, mais plutôt des canapés et des armoires de cuisine vs feuillage extérieur. L'un des principaux filtres était de grandes zones vertes texturées. Oui, un chien est un grand étant vert, texturé et vert. : -)
La seule façon de travailler votre formation à un coup sûr est si chacune de vos images de formation était spécifiquement conçue pour inclure exactement ces fonctionnalités qui différencient cette classe à partir des 299 autres et non < / em> autres informations visuelles. Malheureusement, pour identifier les caractéristiques de celles-ci, et de fournir des photos de formation canonique, vous devez savoir à l'avance quels modèles le modèle devait choisir.
Cela défait entièrement le cas d'utilisation de l'apprentissage profond et de la formation modèle.
1) n'est pas possible
@Primusa Bien sûr que c'est possible , mais cela pourrait être difficile et inefficace. :)
pas avec nos modèles actuels. Aucun type de ml ne peut apprendre correctement à identifier quoi que ce soit basé sur une seule image pour les données de formation.
Le méta-apprentissage pourrait être utile. lilianweng.github.io/lil-log/2018/ 11/30 / Meta-Learning.html