如果您能帮助我思考这个问题，我将不胜感激。我有一个分类器，可以准确地将图像成功分类为狗或猫。我有一个很好的数据集来训练分类器。目前为止没问题。
我有大约 20,000 张狗和 20,000 张猫图像。
但是，当我尝试呈现其他没有狗或猫的图像（例如汽车、建筑物或老虎）时，我希望分类器的输出为“两者都不是”。现在显然，分类器试图将所有东西分类为狗或猫，这是不正确的。
问题1：
我怎样才能实现这个目标？我是否需要拥有不包含狗或猫的第三组图像，并在这些附加图像上训练分类器以将其他所有图像识别为“两者都不是”？
大致而言，我需要多少张非狗/猫类别的图像才能获得良好的准确性？由于非狗/猫图像域如此之大，大约 50,000 张图像可以吗？或者我需要更多图像吗？
问题2：
我可以使用 Imagenet 训练的 VGG16 Keras 模型作为初始层，并在顶部添加 DOG/CAT/Neither 分类器作为全连接层，而不是使用自己的图像数据训练自己的分类器吗？
非常感谢您的帮助。
问题2
我将首先采用“杀手”启发法。 是的，使用现有的训练模型。 只需将所有狗分类合并为 1 类，将猫分类为 2 类，将其他所有分类合并为 0 类。这几乎可以解决您的所有问题。
问题1
问题是你的初始模型已经被训练成“世界上的一切”（所有 40,000 张图像）要么是狗，要么是猫。 是的，你必须训练第三组，除非你的训练方法是自限制算法，例如单类 SVM（每个分类运行一次）。 即便如此，我预计你在排除山猫或狼时也会遇到一些麻烦。 你说得很对，考虑到输入空间的高维度，你需要大量“两者都不是”类的例子：这并不是图像的数量，而是它们的位置只是“超出边界”猫或狗。 我对一个项目感兴趣，以确定如何以最少的额外输入来做到这一点。
简而言之，不要简单地从 ImageNet 类型的世界中抓取 50K 图像；选择那些能够为您的模型提供最佳区分度的对象：其他猫科动物和犬科动物的示例、您在类似环境中找到的其他物体（茶几、野外啮齿动物等）。