TensorFlow钢铁废料分类器优化：如何处理非训练类别误判问题？

数据层面优化 #

• 新增负样本类别：收集汽车、花卉、动物等非钢铁类图片，专门加一个“非钢铁废料”类别重新训练。样本不够的话，用翻转、随机裁剪、亮度调整这些数据增强手段扩充负样本量。
• 平衡样本比例：别让钢铁废料样本远多于负样本，否则模型会习惯性输出已知类别，导致非目标样本误判。

模型结构调整 #

• 加入不确定性估计：在分类层后面加Dropout层，推理时别关闭Dropout，用多次前向传播的结果方差判断——方差高就说明模型对这个样本没把握，直接归为未知类别。
• 换用预训练模型改输出层：比如用ResNet、EfficientNet这类预训练模型，冻结底层特征提取部分，把顶层分类器换成包含“其他”类别的结构，让模型学会区分已知和未知类别。
• 校准置信度：用温度缩放调整模型的输出置信度，在验证集上调优温度参数，避免模型对陌生样本过度自信。

推理阶段处理 #

• 设置信度阈值：哪怕模型给出某类高置信度，先看有没有超过你设定的阈值（比如95%），同时结合钢铁废料的纹理、颜色特征辅助判断，没达阈值就判定为“未知类别”。
• 用开放集分类逻辑：计算输入特征和训练集中各类别中心特征的余弦相似度，相似度低于阈值就归为未知类别，别硬套现有分类。

进阶方向 #

• 搭配异常检测算法：单独训练孤立森林、One-Class SVM这类异常检测器，先筛掉非钢铁废料的样本，再做分类。
• 尝试对比学习：训练模型学习钢铁废料的特征表示，让同类特征更集中、异类更分散，提升模型对陌生类别的区分能力。

内容的提问来源于stack exchange，提问作者Stefano Buzzoni