卷积神经网络的识别类型答案

【问题标题】：type of recognition of convolution neural network卷积神经网络的识别类型
【发布时间】：2016-10-23 07:04:36
【问题描述】：

我试图创建一个convolution neural network，用于从具有这些对象组合的大型数据集中识别动物、车辆、建筑物、树木、植物。

在训练时，我对网络的训练方式有疑问。我的疑问是我是否可以将整个动物的数据集作为单个属性来训练网络，或者分别训练每只动物？

意味着，一组用于狮子，一组用于老虎，一组用于大象等，并且在测试时，如果满足其子类别中的任何一个，我可以对其进行编码以将结果输出为动物。

我有这个疑问，因为我已经读过数据集中应该有一个正确的模式来进行有效的检测，并且只有当我们使用对象的子类别而不是庞大的数据集进行训练时才应该有一个模式。

我附上了一个显示示例数据集的图（仅在逻辑上正确）。我想知道应该有单独的数据集还是单一的数据集。

【问题讨论】：

答案完全取决于您的用例 - 您是否打算仅识别通用标签（例如“动物”）或标签（例如“狮子”/“老虎”）。对于您针对此问题应用的任何算法都是如此，即使用 CNN 在这里没有任何区别。
这意味着，卷积神经网络可以找出数据集中的相似性（即使它们具有最小的相似性），并且可以识别即将到来的新数据进行测试，不是吗？
是的。 CNN 将能够找到可以识别具有足够数据和适当训练的类的高级特征 - 您希望定义您的网络，使其能够很好地泛化。
好的...谢谢Shekkizh...

【解决方案1】：

在单独的数据集或单个数据集上进行训练将取决于多种因素。如果您想使用卷积神经网络将测试数据集中的图像分类为动物而不进一步细分它们，那么应该对单个数据进行训练。但是，如果您打算将图像进一步细分为老虎和狮子，则需要在老虎和狮子的单独数据集上进行训练。

您用于训练的数据集类型在很大程度上取决于您对测试数据集的分类要求。

此外，您必须确保在将图像用于训练之前对其进行标准化。

【讨论】：

谢谢阿迪亚。我的疑问得到了答案。所以，在我的“动物”数据集中，我假设有 100 只狮子、100 只老虎和 100 只大象。它经过训练，每当有新的狮子、老虎或大象出现时，我的网络都可以将其识别为“动物”，不是吗？我不想单独识别，我需要将它们归类为“动物”。
欢迎阿伦。是的，如果您在训练狮子、老虎和大象时提供的类别标签是动物，则测试数据可以被识别为动物。在我用相同类型的不同类型声音训练我的网络之前，我曾遇到过类似的问题。例如，不同类型的口哨都标记为口哨。等