我在网上看到的很多人都在使用 Tensorflow API 时遇到过同样的问题。我认为在家中使用带有自定义分类器的预训练模型的想法/过程存在一些固有问题。例如，人们希望使用 SSD Mobile 或 Faster RCNN Inception 来检测“带头盔的人”、“手枪”或“工具箱”等对象。一般过程是输入该对象的图像，但大多数那个时候，无论有多少图像...... 200 到 2000，当你在你的办公桌上实际运行它时，你仍然会得到误报。

当您在自己的上下文中显示对象时，对象分类器效果很好，但您最终会在卧室窗户、桌子、电脑显示器、键盘等日常物品上获得 99% 的匹配。人们提到了以下策略引入负面图像或柔和图像。我认为问题与大多数人使用的图像中的有限上下文有关。预训练模型在多种环境中使用十几个分类器进行训练，例如在一个示例中可能是街上的汽车。CNN 看到汽车，然后该图像中不是汽车的所有内容都是负面图像，包括街道、建筑物、天空等。在另一张图像中，它可以看到瓶子以及该图像中的所有内容，包括桌子，桌子、窗户等 我认为训练自定义分类器的问题在于它是一个负面图像问题。即使您有足够多的对象本身的图像，也没有足够的同一对象在不同上下文和背景中的数据。所以从某种意义上说，即使在概念上你不应该需要负面图像，也没有足够的负面图像。当您在家中运行该算法时，您会在各处发现误报，以识别您自己房间周围的物体。我认为以这种方式进行迁移学习的想法是有缺陷的。我们最终只是在网上看到了很多关于人们识别扑克牌、千年隼等的很棒的教程，但是这些模型都不能在现实世界中部署，因为当它看到任何东西之外的东西时，它们都会产生一堆误报它的图像池。最好的策略是使用多个分类器从头开始重新训练 CNN，并在其中添加所需的分类器。我建议使用 10-20 个预先存在的分类器重新引入 ImageNet 或 Pascal 的先前数据集，并添加您自己的分类器并重新训练它。