如何解决使用TensorFlow和Keras进行单类图像识别
因此,假设我有一个包含自己照片的数据集。而且我想做的是训练一个神经网络,以便它可以识别给定图像上是否是我。
但是要训练神经网络,我必须至少上两节课,所以我必须有自己的照片(我已经有),而且还必须有“不是我的照片”,我没有知道该怎么办。
那么,我想知道的是,“不是我”的照片是什么?那只是因为我尝试过而没有包含我的随机照片,但是那没有用。
现在,我知道在stackoverflow上也有类似的问题要解决,但是没有答案,这将帮助我解决问题。
这是一些代码:
我使用预训练模型来更好地识别图像:
pre_trained_model = InceptionV3(input_shape = (150,150,3),include_top = False,weights = None)
pre_trained_model.load_weights('img_model.h5')
for layer in pre_trained_model.layers:
layer.trainable = False
last_layer = pre_trained_model.get_layer('mixed7')
last_output = last_layer.output
还有我的模型声明:
# Flatten the output layer to 1 dimension
x = layers.Flatten()(last_output)
# Add a fully connected layer with 1,024 hidden units and ReLU activation
x = layers.Dense(1024,activation='relu')(x)
# Add a dropout rate of 0.2
x = layers.Dropout(0.2)(x)
# Add a final sigmoid layer for classification
x = layers.Dense(1,activation='sigmoid')(x)
model = Model( pre_trained_model.input,x)
model.compile(optimizer = RMSprop(lr=0.0001),loss = 'binary_crossentropy',metrics = ['accuracy'])
在这里我训练我的模型:
history = model.fit(
train_generator,validation_data = validation_generator,epochs = 2,verbose = 2)
最后,我自己测试网络:
img = image.load_img('imgs/some_img_of_me.jpg',target_size=(150,150))
x = image.img_to_array(img)
x = np.expand_dims(x,axis=0)
classes = model.predict(x)
print(classes)
这是上面代码的结果:
[[0.]]
问题在于,无论给定图像上是否有我,该模型始终返回[[0.]]
。
所以我想知道:
- 如何解决我的问题
- 我什至应该使用神经网络,也许还有另一种不涉及神经网络的解决方案
- 在我的智能手机上,我还具有智能锁定功能-当我想解锁智能手机时,它只会认出我的脸。因此,似乎可以解决我的问题。
解决方法
首先,人脸识别不作为常规分类问题处理。
最初,您可能有成千上万个身份的照片。这是常规分类解决方案。这意味着您的神经网络应该具有数千个输出节点。输出中的每个节点代表一个标识。假设您提供了Matt Damon的图像。对于is_matt_damon节点,该实例的输出应为1,而其他节点的输出应为0。这样,您将为一万个实例训练神经网络。
培训结束后,网络的最后一层将被丢弃。这样,早期的图层代表图像。我的意思是,即使您没有在训练中喂饱莱昂纳多·迪卡普里奥(Leonardo Di Caprio)的照片,神经网络也会在早期阶段返回一系列输出。这就是表示形式。
当您给Di Caprio喂两张不同的照片时,您将有两种不同的表示方式。预计这两种表示形式应具有较小的距离。同样,如果您喂麦特·达蒙(Matt Damon)和迪·卡普里奥(Di Caprio)对,表示形式的距离也应该较长。
可以调整欧几里得距离或余弦相似度来找到表示(或向量)之间的距离。
,在没有神经网络的情况下进行任何图像识别都非常困难,因此在这方面,您做得正确。
但是,对于大多数图像识别问题,卷积层是一个聪明的主意,因为它们最初是为模拟与视神经相连的神经通路而创建的。此外,值得检查的是您正在为神经网络喂食多少个“您”与“不是”,因为否则该网络通常最终只能预测一个类别。
除了其他一些随机事物外,“不是你”图像的一个不错的选择是拥有不是你的人的照片。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。