我有一个关于图像识别 ML 模型的相当普遍的问题。我最近使用单个相机开发了一个图像识别模型，收集了 5000 多张图像，然后训练/开发了该模型。
我的问题是如果我改变相机源（也改变分辨率）这会影响模型的准确性吗？我们开发的脚本仍会将图像大小调整为与训练集相同的大小。
我们团队内部对此进行了一些讨论，我希望在图像识别方面具有更多专业知识的人可以增加一些见解。
谢谢！
改变图像源对图像识别有什么影响？
数据挖掘
图像分类
图像识别
图像预处理
2022-02-16 12:23:08
2个回答
一般来说，只要输入图像质量发生轻微变化，精度就会发生变化（即使是谷歌研究团队发现的显着变化）。
参考：
图像质量是一个重要的实际挑战，在机器视觉系统的设计中经常被忽视。通常，机器视觉系统是在高质量图像数据集上训练和测试的，但在实际应用中，不能假设输入图像是高质量的。最近，深度神经网络在许多机器视觉任务上都获得了最先进的性能。在本文中，我们评估了 4 种最先进的深度神经网络模型，用于在质量失真下进行图像分类。我们考虑五种类型的质量失真：模糊、噪声、对比度、JPEG 和 JPEG2000 压缩。我们表明，现有网络容易受到这些质量失真的影响，尤其是模糊和噪声。
最近对神经网络的一项研究发现，对于每一个正确分类的图像，都可以生成一个“对抗性”、视觉上无法区分的图像，这些图像将被错误分类。这表明所有神经网络都存在潜在的深层缺陷，可能包括人脑。
我认为准确性是指验证/测试准确性。任何深度学习模型都受到训练数据分布的高度影响。如果训练集和测试/验证集之间不匹配，那么您的模型将表现不佳。现在，我所说的训练数据分布是什么意思？例如，您自己捕获了 5000 张小狗和猫的图像来构建图像分类器。现在您从互联网上下载了一些小狗和猫的图片并尝试预测它们。您的模型很可能在此测试中表现不佳，因为您的测试数据来自完全不同的分布。如果您确保您的训练和测试数据来自相同的分布（例如您的相机和非常相似的相机），则更改相机/分辨率不会影响您的性能。