使用TensorFlow和Keras进行单类图像识别

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。