深度学习要经常做样本很麻烦,有没有什么简便方法 ?

产品缺陷检测,用深度学习是个趋势,通过大样本的训练,系统可以识别哪些是目标缺陷,哪些是干扰。效果是比较好的。
不过干扰种类比较多,形式也比较多样,比如说划伤,脏污,样本就要不断的补充,工作量其实很大,需要持续性的维护工作。
有没有什么方法可以不用这么麻烦?

我目前的想法是,简单的目标识别,尽可能通过建模来识别,不通过深度学习,因为使用深度学习,就少不了要跟大样本打交道,维护工作量很大。
如果能建立一个简洁的模型出来,到时候只要控制差异度,就能判定是不是目标了。
只是这个模型建立起来会很困难,目前我准备用hog, 高斯混合模型,svm试试。

各位高手,还有没有什么其他的建议?不胜感谢。
已邀请:

joshua_1988 - https://joshua19881228.github.io/

赞同来自: mhaoyang

之前手动挑样本,都是先用已有的一个模型提出特征,传统算法或者深度学习都可以,然后做K聚类,把相似样本都聚到一起,手动挑样本会快一些。

陶潜水

赞同来自: mhaoyang

坏的是千奇百怪,好的就是一个样,不如搞个单分类器做良品检测,不是良品的就是坏的,可以试试SVDD之类的单分类器

要回复问题请先登录注册