python - 如何教卷积神经网络对未知图像说 "no"？

Question

我有字符识别的任务。有一定的数据集。当我提交不是来自该数据集的输入符号(或一个图像中数据集中的一组字符)时，神经网络会选择最相似的符号。在这种情况下，网络应该说她不知道这样的符号。 可能有任何架构可以完成此任务吗？

我正在使用 Keras(Tensorlow 作为后端)使用 Python 3 进行编写。

我的架构:

Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 29, 29, 75)        1275      
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 14, 14, 75)        0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 14, 14, 75)        0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 11, 11, 100)       120100    
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 5, 5, 100)         0         
_________________________________________________________________
dropout_2 (Dropout)          (None, 5, 5, 100)         0         
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 2, 2, 125)         200125    
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, 1, 1, 125)         0         
_________________________________________________________________
dropout_3 (Dropout)          (None, 1, 1, 125)         0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 125)               0         
_________________________________________________________________
dense_1 (Dense)              (None, 500)               63000     
_________________________________________________________________
dropout_4 (Dropout)          (None, 500)               0         
_________________________________________________________________
dense_2 (Dense)              (None, 69)                34569     

Answer 1

最好的方法是:

1. 使用数据集中对应于“未知”类的附加图像，您可以通过对类似符号的字符图像进行采样来获取该图像。然后针对“n+1”个类别训练模型，其中“n”是您当前正在处理的类别数。

2. 仔细查看 softmax 输出并启发式选择阈值。