Clasificar una imagen como una clase ‘desconocida’ no es sencillo en ningún método de clasificación supervisado o discriminatorio. La única posibilidad es que si puede definir una clase ‘desconocida’; sin embargo, cada cosa además de sus clases de interés es “desconocida” y es difícil definir dicha clase.
Una posibilidad es emplear métodos de clasificación generativos, no supervisados o de una clase. La idea es que defina cuál es su clase ‘normal’. Luego, según un umbral, puede aceptar o rechazar muestras de prueba como normales o no normales (o desconocidas).
En el aprendizaje profundo, puede usar codificadores automáticos y sus variantes para entrenar en imágenes ‘normales’. Luego, encuentre un umbral del error de reconstrucción en los datos de entrenamiento y basándose en eso identifique una imagen como ‘normal’ o ‘desconocida’. Si ha etiquetado los datos de muchas categorías de imágenes y son muy diferentes entre sí, puede entrenar codificadores automáticos para cada categoría y encontrar sus respectivos umbrales para cada codificador automático. Para una imagen de prueba, pase por cada uno de estos codificadores automáticos y si cada codificador automático lo rechaza, puede clasificarlo como ‘desconocido’
- ¿Es posible comenzar la investigación académica en matemáticas / aprendizaje automático sin la ayuda de un asesor? Está ocupado con su propuesta de subvención.
- ¿Qué debo hacer cuando tengo una cita con las características NULL?
- ¿Cómo se infiere la distribución posterior marginal?
- Minería de datos: utilizando el análisis de la cesta de la compra para el pronóstico de ventas, ¿cuál es el mejor algoritmo?
- ¿Cómo una red neuronal artificial calcula su salida?
Recientemente publiqué un artículo para encontrar diferentes tipos de umbrales de un autoencoder utilizando un error de reconstrucción. Puede encontrar el documento aquí: Detección de caídas invisibles de dispositivos portátiles utilizando un conjunto de codificadores automáticos (Pdf aquí – https://arxiv.org/pdf/1610.03761)
