對於一個只有A和B的的訓練集，採用什麼演算法訓練模型，即讓它能判斷出A和B，也能判斷出不是A和B的圖片？
訓練數據有大概五六千張圖像，每個圖像中只有一個圖像，要麼是A類形狀，要麼是B類圖像，其實訓練一個二元分類模型，在測試集中判斷出A類還是B類不是很難，就是既要判斷出A類，也要判斷出B類，還要判斷出不是A類也不是B類的圖片。這個應該是異常檢測，請問各位大神有什麼好的方法解決這個問題？或者對於這個問題有什麼思路能指點一下我，先說聲謝謝了
補充：這裡只有A類和B類樣本的數據，沒有第三類的數據，但是要判斷出不是A類，也不是B類的圖片，
相當於檢測out of distribution的數據，你可以參考uncertainty measure的方法，去年nips專門有專題解決uncertainty measure的問題。
A Baseline for Detecting Misclassified and Out-of-Distribution Examples in Neural Networks?arxiv.org以及：
NeurIPS 2019 Schedule?nips.cc你的意思難道不是一個三分類嗎？
單純通過輸出的概率大小部分可行，但概率閾值是不太好定的。
建議採用基於卷積的自編碼試試看。
可以用生成模型去做。
P(x)=aP1(x)+bP2(x)
假設A中的數據由P1(x)生成，B中的數據由P2(x)生成，a和b為混合係數，a+b=1，a &> 0，b &> 0。
最大化訓練集由P(x)生成的對數概率log P(x)。
在推斷時，設置一個閾值，當P(x)小於閾值時，認為不屬於A，B兩類。否則比較P1(x)和P2(x)的大小來確定屬於A還是B。
搞一個CGAN生成器
將AB兩個域圖像作為輸入映射到自己定義的響應模式上
（譬如學習的目標是一張單通道圖像，A左側響應1，右側全0，反之反之）
根據生成的小圖左右像素比判斷AB類別
訓練好後如果遇到與AB分佈差異大圖像，輸出的圖像分佈模式會有很大差異。
根據觀察寫個函數判斷為其它類即可。
「不是某分類」也是一個概念來的，你不教它，它怎麼知道。人為擴展一些圖片吧，用triplet loss 訓練。可以參考一下FaceNet的方法。
給圖片加噪音，做三分類吧，人為修改圖片擴充數據集。
做三分類，由於沒有負樣本，為了提高泛化能力，可以使用對抗生成網路，隨機自動生成新的樣本
個人覺得想辦法生成第三類數據比較實用，沒必要增加自己的實踐難度。如果是想發paper就當我沒說
謝邀。
這是個好問題。題主應該是想只用現有的A、B兩類，實現類似編程的if-else if-else的判斷流程。
這是個很直接的想法，很好，很程序員。
我也曾有類似的想法，後來我發現，模型訓練的本質是擬合，目前只能根據特徵進行，不存在的數據，也就是本該寫入的else這部分，模型是沒法學習的。
建議的方法：
隨機收集真實環境的其它一些圖片作為第三個類C加入數據集，也就等同於是讓模型進行A、B、C的三分類訓練。目前都是用這種方法來解決else的問題。
或許未來會有更好的方法吧。
舉個栗子，當預測為A的概率為0.9則判斷為A，B亦同，如果預測A B的概率都較低(＜0.5自定義)就判斷為不是A B
推薦閱讀：
