我正在执行分类任务，以尝试检测对象。拍摄环境图片，使用视觉算法生成该可能对象的候选对象，一旦隔离，这些候选对象将通过 CNN 以最终决定是否检测到对象。我正在尝试在 InceptionV3 上使用迁移学习，但在训练它时遇到了困难，因为我只有一组/一类图像。
困境是我只有一类数据，当我通过网络传递它时，我得到了 100% 的准确度（因为没有什么可以比较的）。我应该如何克服这个？我应该在网上找到更多类别以添加到我的数据集中吗？这些类别应该是什么？
只是为了澄清，例如，我有“猫”类。
不是“猫”和“狗”。
不是“猫”和“没有猫”。
只是“猫”。这就是我的数据集目前包含的内容。
模型根据图像和标签数据的反馈学习匹配权重。
如果您将一些图像类作为“Not Cat”提供，它将学习将相似的特征分类为“ Not Cat ”。但可能会因新课程而失败。
例如，如果将“汽车/家具/狗”训练为“非猫”，那么野猫被归类为“猫”的可能性很高。
转储所有 Imagenet 数据集肯定会为“Not Cat”类提供相当好的差异，并且可能在大多数情况下都有效，但这不是解决问题的合适方法。
这种类型的问题将属于一类分类。
核心思想是使用 CNN 提取特征，然后使用一些专门的模型，例如一类 SVM、高斯混合等来定义“猫”的边界
这个问题由一类 SVM 方法定义，包括识别一个包含所有（或大部分）数据的球体。解决该问题的经典策略考虑同时估计球体的中心和半径。
您可以从这些链接开始（按指定顺序） -
Hackernoon 博客
Arxiv
Researchgate
还有其他方法，即基于 Auto-encoder。在这里，我们尝试为重建错误设置一个阈值。
参考资料
- Quora
SO
Keras 博客
另外，可以在这里查看一个为“No Cat”类生成随机图像的想法。
这里
您似乎正在寻找一类分类方法。有几种方法，例如隔离森林，一类 SVM，自动编码器的重构误差（仅由您的正类训练）等等......所有这些分类器都从一个类中学习。
在下面编辑
必须知道：当通常训练分类器以区分猫和无猫时，您应该将它们的预测解释如下：
如果它说它是一只猫，那意味着它看起来更像一只猫而不是一只没有猫。而已。
如果有一天你的分类器看到一个它在你的“无猫”训练数据集中从未见过的输入，它可以选择它看起来更像一只猫。
结论：创建“无猫”类时要小心/注意。
一个类分类的目标不再是区分多个类，而是找到单个类的最佳描述性边界。
一个易于理解的距离方法示例：
当然，这是一个主要示例，但它可能会让您了解一类分类的作用。
一类分类的一个困难是找到正确的特征集。从这个例子更进一步，任何限制集群的东西（比如一些 聚类算法）都可以用来创建一个分类器。
一类分类问题近年来越来越受到关注。你可以看看这些文章：
如果模型所知道的只是一件事，则无法训练该模型。必须有“不是猫”的例子才能学习。
要解决此问题，您可以找到任何东西来训练它，只要它不是“猫”并加强您的训练数据集。训练集应该是“猫”和“非猫”的混合体。完成后，您将开始完善模型准确性的过程。