machine-learning - 为什么在训练中使用负图像？

Question

在训练分类器时，为什么我们要使用负片或背景图像？它们如何用于训练对象分类器？谁能解释一下如何使用任何编程语言(如 MATLAB)进行训练的一般过程？

Answer 1

首先，我怀疑您是否会得到关于如何在 matlab 中训练分类器的任何答案。这是一个非常模糊的问题。很大程度上取决于您的数据和目标，并且本质上有数十到数百种算法可以执行分类，这并不那么简单。

主要问题是，为什么给分类器提供负样本。这又很大程度上取决于您使用的分类器，但简而言之，有两种分类模型(还有更多，但总结一下):generative models和 discriminative models 。

生成模型旨在对目标类别的统计数据(外观或任何其他类型的特征)进行建模(例如，您正在尝试对汽车进行建模)。然后，生成模型将学习一种方法(仅从正面示例的训练数据中)来识别汽车。也就是说，给定一个随机样本，它会告诉您该样本由您的汽车模型创建的可能性。举一个愚蠢的例子，将您的模型想象为单变量高斯分布，然后该模型将告诉您从您学到的高斯分布中采样该数据样本(点)的可能性。

当您没有负训练数据，或者您的数据可以通过简单分布进行建模时，生成模型非常有用。但模型只能学习>汽车是什么样子，它不会学习汽车不是什么样子。

另一方面，判别模型学习更复杂(通常更稳健)的规则来区分目标类别。拥有一组目标对象(例如汽车和背景，或汽车、自行车、房屋和天空)，该算法不是学习汽车看起来如何，而是尝试学习如何汽车与背景不同。

如果你的内存中只包含 100 张汽车图片，然后给你一张摩托车的图片，你就很难说摩托车不是汽车(你有以前从未见过)，两张图片都有背景和轮子。但是，如果给您 50 张汽车图像，以及另外 50 张随机街道图片(包括自行车)，您可以学习更强的关系，以便将来尝试识别汽车。