比如说，我想训练一个 CNN 来检测图像是否是汽车。
选择“非汽车”数据集有哪些最佳做法或方法？
因为这个数据集可能是无限的（基本上任何不是汽车的东西） - 是否有关于数据集需要多大的指南？它们是否应该包含与汽车非常相似但又不是汽车的物体（飞机、船只等）？
【问题讨论】：
标签： machine-learning neural-network computer-vision deep-learning conv-neural-network
与所有监督机器学习一样，训练集应反映模型将使用的真实分布。神经网络基本上是一个函数逼近器。您的实际目标是近似真实世界的分布，但实际上只能从中获取样本，而这个样本是神经网络唯一会看到的东西。对于训练流形之外的任何输入方式，输出将只是一个猜测（另请参阅this discussion on AI.SE）。
因此，在选择否定数据集时，您应该回答的第一个问题是：此模型的可能用例是什么？ 例如，如果您正在为智能手机构建应用程序，那么负样本应该可能包括街景、建筑物和商店的图片、人物、室内环境等。智能手机摄像头拍摄的图像不太可能是野生动物或抽象画，也就是说，它在你的真实世界中是不可能的输入分布。
包含看起来像正类的图像（卡车、飞机、船等）是个好主意，因为低卷积层的特征（边缘、角落）非常相似，神经网络学习很重要正确的重要高级功能。
一般来说，我会使用 5-10 倍于正面图片的负面图片。 CIFAR-10 是一个很好的起点：在 50000 张训练图像中，5000 张是汽车，5000 张是飞机，等等。事实上，构建一个 10 类分类器并不是一个坏主意。在这种情况下，您将通过阈值确定推断的类是汽车的确定性，将此 CNN 转换为二元分类器。 CNN 不确定的任何内容都将被解释为不是汽车。
【讨论】：
我认为应该根据您的模型适用的场合来选择负样本。如果你的模型在街道上作为汽车检测器工作，那么合理的负样本应该是街道道路背景、树木、行人以及街道上常见的其他车辆。所以我认为没有通用的负样本选择规则，只取决于你的需要。
【讨论】：