如果您能帮助我思考这个问题，我将不胜感激。我有一个分类器，可以准确地将图像成功分类为狗或猫。我有一个很好的数据集来训练分类器。到目前为止没有问题。
我有大约 20,000 张狗和 20,000 张猫图像。
但是，当我尝试呈现其他没有狗或猫的图像(例如汽车、建筑物或老虎)时，我希望分类器的输出为“Niether”。现在显然，分类器试图将所有东西分类为狗或猫，这是不正确的。
问题1:
我怎样才能实现这个目标？我是否需要有 3 组不包含狗或猫的图像，并在这些附加图像上训练分类器以将其他所有图像识别为“两者都不是”？
在较高的水平上，我需要多少张非狗/猫类别的图像才能获得良好的准确性？由于非狗/猫图像域如此之大，大约 50,000 张图像可以吗？或者我需要更多图像吗？
问题2:
我可以使用 Imagenet 训练的 VGG16 Keras 模型作为初始层，并在顶部添加 DOG/CAT/Neither 分类器作为全连接层，而不是使用自己的图像数据训练自己的分类器吗？
See this example to load a pre-traied imagenet model
非常感谢您的帮助。
最佳答案
问题2
我将首先采用“ killer ”启发法。是的，使用现有的训练模型。只需将所有狗分类合并为 1 类，将猫分类为 2 类，将其他所有分类合并为 0 类。这几乎可以解决您的所有问题。
问题1
问题在于，您的初始模型已被训练为世界上的一切(所有 40,000 张图像)要么是狗，要么是猫。是的，你必须训练第三组，除非你的训练方法是自限制算法，例如单类 SVM(每个分类运行一次)。即便如此，我预计你在排除山猫或狼时也会遇到一些麻烦。
考虑到输入空间的高维度，您需要大量“两者都不是”类的示例:这不是图像的数量，而是它们的位置只是“超出边界”来自猫或狗。我对一个项目感兴趣，以确定如何以最少的额外投入来做到这一点。
简而言之，不要简单地从 ImageNet 类型的世界中抓取 50K 图像；选择那些能够为您的模型提供最佳区分度的对象:其他猫科动物和犬科动物示例、您在类似环境中找到的其他物体(茶几、野外啮齿动物等)。
关于image - 机器学习: Image classification into 3 classes (Dog or Cat or Neither) using Convolutional NN，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/40853349/