ML/DL能解決我的分類問題嗎？

解答動態(tài)

• 

  一個簡單的關(guān)于圖像分類器是否能在理論上執(zhí)行任務(wù)的健全性檢查是：
  一個人類專家，使用相同的圖像加上他們熟悉的分類列表，能執(zhí)行相同的任務(wù)嗎？
  只考慮圖像的內(nèi)容（或通常準(zhǔn)備提供給分類器的數(shù)據(jù)）和專家的一般知識是很重要的。例如，專家不允許收集更多的數(shù)據(jù)，也不允許與樣本交互，而可能只是對像素進行一些測量。
  這種健全性檢查并不能告訴你問題有多難。它也排除了對人類來說非常困難或不可能，但對計算機來說卻相當(dāng)容易的問題。然而，這是一個很好的開始，因為現(xiàn)在的單用途計算機視覺分類器任務(wù)的速度通常與執(zhí)行相同任務(wù)的人相似或更好。您正在有效地檢查“我需要的推斷數(shù)據(jù)是否真的在圖像中？”？&多類分類器有幾種可能。一種方法是讓神經(jīng)網(wǎng)絡(luò)有單獨的頭來對每一層進行分類，也許一個層會顯示二進制標(biāo)志以允許不同數(shù)量的層。這類似于一個名為YOLO的架構(gòu)，它將0或1個對象及其位置分類到圖像中的多個網(wǎng)格正方形上。您的體系結(jié)構(gòu)需要與YOLO不同，但您可以使用它的許多思想，例如，有一個多類分類器的輸出，每個土層一個。
  I有100張壓實土壤樣本的圖像
  您將面臨的一個問題是，為了訓(xùn)練一個具有尖端性能的神經(jīng)網(wǎng)絡(luò)可以從頭開始完成這項任務(wù)。因此，您需要研究轉(zhuǎn)移學(xué)習(xí)，這涉及到在使用較小的數(shù)據(jù)集進行訓(xùn)練之前，先使用在ImageNet上訓(xùn)練過的現(xiàn)有圖像分類器并使其適應(yīng)您的問題。
  您擁有的少量樣本圖像數(shù)據(jù)將是您案例中的一個主要因素�？杀�的是，在你嘗試這個項目之前，沒有人能告訴你你是否有足夠的深度學(xué)習(xí)方法。這可能是你失敗的最大風(fēng)險所在
• End