他クラス分類の外れ入力値に対する処理について

Question

機械学習初心者です。

OpenCVとDeepLearningを組み合わせて物体検知プログラムを実装しています。OpenCVのライブラリで物体部分を抽出後、こちらで挙げられているものとほとんど同じ仕組みで識別を行なっています。

何度か学習をさせたことにより、現在の状態としては、例えばバイクと人、花が写っている写真からOpenCVにより花、バイク、人などオブジェクト部分のみを抽出し、リサイズしてインプットにしています。バイクは90%程度バイク、人は90%人といった感じに判定できています。

しかし、例えばオブジェクトとして青空が間違って抽出された場合(画像としては真っ青の画像になります)なぜかこれを入力にすると青空は分類対象にないため90%人や90%バイク など間違った推定がされてしまいます。

これらの外れ値に対する適切な処理、もしくはニューラルネットワークとしての学習のさせ方に問題があるのでしょうか？(例えば外れ値も分類の対象に入れて学習させるとか)
よろしくおねがいいたします。

Answer 1

学習モデルの構築より、データクレンジングの類の問題だと思います。
抽出されたオブジェクトに対し、予めはずれ値として除去する処理（たとえば色分布に極端な偏りがあるものを取り除く）を導入する必要があります。
外れ値を外れ値としてのタグを付与してNNに突っ込むのは相当量のデータがない限りは乱暴な設計に思えますので、検出のために別途の事前学習（オートエンコーダの類ではないですが）による分類をかませるといいのではないでしょうか。
思いつきですが、人やバイクといった物に対して、青空の画像にはエッジ検出量が少なくなる気がしますし、輝度の分布にも偏りがあったりしそうですので、そのあたりを特徴量にしてみるとか。