tl;博士

您提到的两种方法同样有效。

为什么？

首先，我假设您指的是神经网络类型的模型。您应该注意，卷积神经网络是判别模型，这意味着它们经过训练可以找到两个类别之间的差异（例如dog和not-dog）。

第二种方法会不如第一种有效吗？

只是为了反驳这种说法，请考虑以下内容。您有一个 2 输出分类网络；让我们将输出命名为dog和not-dog。现在想象一下，正如你所说，网络只能识别狗的模式。它所要做的就是为狗类的这些模式赋予正权重，为非狗类赋予负权重。从这个意义上说，非狗类将被训练为与狗类相反，这不会使其不如单输出二元分类器有效。

即使not-dog类无法训练并保持不变，由于我们使用的是 softmax 激活，预测也将仅通过dog输出和恒定not-dog输出之间的相对差异来生成。这就像拥有一个单输出二元分类器。

您可以使用异常检测自动编码器架构。基本上，你要做的是，

• 创建具有卷积层的自动编码器架构。

• 我们在狗的图像上训练模型。

• 所以当我们在训练好的自动编码器上喂狗的图像时，它会产生相对较小的损失。

• 当将狗以外的图像喂给模型时，损失值会很高。

因此，我们可以使用损失值检测图像中是否存在狗。

二元分类是二分类。您列出的区别实际上是软分类和硬分类之间的区别。在软分类中，您在所有类上都有一个连续分布，在硬分类中，输出是一个单热编码向量。

在某些时候，您的模型必须能够表达某种分类（“狗”或“非狗”），因此无论如何您最终都会得到硬分类。

同意 Schubam 的回答，将其视为异常检测系统，仅对狗图像进行训练，并将任何具有高损失的图像标记为非狗图像。是的，使用 2 类狗和非狗，就像癌症检测一样。