例えば、
{キャベツ、トマト、牛蒡、胡瓜、西瓜、ネギ、玉ネギ、、、}を野菜とし
{メロン、林檎、砂糖キビ、ナツメ、キウイフルーツ }を果物とします。
このような分類は視覚上全然類似性のないobjectを人間の概念による強引に分類されちゃうのです。
CNN+DNNなら、勿論このような強引さに対応できるのですが、分類精度と安定性を考えたら、やはり視覚的に近いobjectを同じclassにするほうが良いではと思い、
例えば、以下のようなやり方なら、理論上、分類の精度や安定度またはマシン訓練の難易度が改善できるかどうか、お尋ねしたいのです。
1.まずは各object毎に識別を行います。胡瓜なら胡瓜、トマトならトマト、、、きちんと識別してから、
2.人間のロジック トマト➡野菜、キウイフルーツ➡果物、、、のように既定ロジックで再度分類します。
1では誤認識が発生しにくくなり、2はNNとは関係なく、単にindexingするので、誤差が発生しない、
という都合の良いやりかたではと思いますが、理論上の支持を得られるかどうか分かりません。
★若しかして、もっとまずくなります?
##どんなご意見やアイディアでも宜しいですので、
どうぞご発言、ご教授ください。
【CONCLUSION】
このDNN学習に関する議論を通じて、非常に重要な問題に気付きました。
自分の中に『意味のあるDNN学習』と『意味のないDNN学習』という概念が生まれました。
即ち,DNNの利用形態によく吟味しなければなりません。
例えば、たくさんの痴漢の写真と非痴漢の写真をCNN・DNNに学習させても**「現実的な意味を持たない」という事です。
何故ならば、訓練に使われていない人の写真をテストする時、その推定結果は何であれ、テストされた人が本当に痴漢であるかどうかは判断できない**のです。
ところが、たくさんの美人の写真とブスの写真をCNN・DNNに学習させてから、
学習写真にない新しい写真をテストする時に、CNN・DNNの判定結果(美人か、ブスか)はけっこう信用度高いと思います。
なので、野菜・果物の分類問題にしても、奇数・偶数の問題にしても、
やはり、先にビジュアル特徴によってそのobjectの正体を断定してから、
ビジュアル以外のロジックで分類するのは論理的に妥当だと思います。
【論理的に妥当でない分類形態にする場合、かえってDNNの"訓練"精度が高くなるかも知れませんが、意義が全然違います】
バッドをするには、ログインかつ
こちらの条件を満たす必要があります。
2018/04/29 04:14 編集
2018/04/29 05:08
2018/04/29 07:45
2018/04/29 16:08 編集
2018/04/30 02:46
2018/04/30 14:16
2018/04/30 22:40
2018/05/01 02:41
2018/05/01 04:27
2018/05/01 05:01 編集
2018/05/01 09:09
2018/05/01 13:47