我正在训练一个神经网络模型来区分橙子和石榴。 在训练数据集中，对象的背景（橙色和石榴）是相同且恒定的。但在测试时，物体的背景与我训练时使用的不同。
所以我的第一个疑问是，
用一个背景（假设为白色背景）训练模型并用 另一个背景（假设是灰色背景）？
其次，我训练了具有不同位置和相同背景的对象。既然理论说卷积与位置无关，它可以识别任何位置的物体，因为无论如何，卷积后激活图的维度会减小，深度会增加。
所以我的第二个疑问是，
在训练时将物体保持在不同位置是否有必要或好的方法 型号？
【问题讨论】：
标签： machine-learning neural-network deep-learning conv-neural-network
用一个背景（假设为白色背景）训练模型并用 另一个背景（假设是灰色背景）？
在训练神经网络时，重要的是要打乱您正在使用的数据集并将数据集拆分为训练集和测试集。您需要对数据进行混洗的原因是为了让您的模型能够查看训练集中的所有类型的样本，以便在它暴露于新的看不见的数据的那一刻，它可以将其反映在以前看到的数据上。在您上面提到的示例中，由于存在不同的背景颜色会影响模型的预测，因此对数据进行混洗很重要。因此，训练集和测试集都需要同时具有背景颜色，这样您的模型才能提供良好的预测。
在训练时将物体保持在不同位置是否有必要或好的方法 型号？
用不同位置的对象训练模型确实更好，因为它可以让模型预测更多类型的橙子或石榴。请注意，如果您对尝试预测的对象使用不同的位置，那么拥有足够的数据量很重要，这样模型才能在测试集上为您提供良好的预测。
我希望这个简短的解释有所帮助，如果有不清楚的地方请告诉我，我会编辑帖子。
【讨论】：
用一种背景（假设为白色背景）训练模型并用另一种背景（假设为灰色背景）进行测试是否是一种好方法？
背景是图像的一个属性，不需要区分对象。您希望您的网络学习这种行为。现在考虑两种情况：
In short, there is an extra information that you need to learn that is background is not important for deciding the category. When you provide only one color background, your neural network cannot learn this behavior and can give garbage result on test dataset.
在训练模型时将对象保持在不同位置是否有必要或好的方法？
你是对的，卷积神经网络是平移等变的。但是为了构建一个分类器，你需要将 CNN 层的输出传递给一个全连接层。如果你把图像放在不同的位置，不同的输入将进入全连接层，但所有这些图像的输出都是相同的类别。 So you are forcing your neural network to learn that the position of the object is not required for classifying its category.
【讨论】：
关于您的第一个疑问，只要图像中存在目标对象，这不是什么大问题。在将数据输入网络之前对其进行洗牌。
对于第二个疑问，是的，将目标对象放在不同的位置总是一个好主意。另外需要注意的一件事是，您的数据来源是相同的，并且大部分质量相同。否则会出现性能问题。
【讨论】：