我需要直观地识别一些显示在相机上的平面图片。他们的数量并不多（可能有 30 个），但歧视可能取决于细节。输入可能会被部分遮挡或遮蔽，并且可能会受到照明变化的影响。 样本需要可更新。
现有的目标检测框架有很多，其中最可靠的框架取决于深度学习方法（主要是卷积网络）。但是，预训练的模型当然没有很好地优化以识别平面图像，即使我从头开始训练，如果我对它的工作原理是正确的，为新样本更新系统也会采取繁琐的训练过程。
是否可以在保持样本池灵活的同时使用深度学习？
还有其他众所周知的可靠方法可以从小样本集中检测图像吗？
【问题讨论】：
标签： deep-learning computer-vision image-recognition
使用迁移学习；你仍然需要建立一个训练集，但你会得到比从随机权重开始更好的结果。尝试找到一个在与您相似的图像上训练的模型。您还可以使用您的精选图像对所选模型进行一些黑盒测试，以基线它对您的图像的响应曲线。
【讨论】：
人们可以使用训练有素的网络进行视觉分类，例如 Inception 或 SqueezeNet，最后一层的切片并添加一个简单的统计算法（例如 k-最近的邻居）可以由样本以非迭代方式直接教导。
大多数与分类相关的计算（如光照和方向不敏感）已经由预训练的网络处理，而网络的输出保留了足够的信息以允许统计算法决定图像类别。
此处显示了使用 k 近邻的实现：https://teachablemachine.withgoogle.com/，源托管在此处：https://github.com/googlecreativelab/teachable-machine。
【讨论】：