TensorFlow中如何获取模型置信度 实现CNN未知类图像判定

基于预训练模型在包含3个类别的自定义蛇类数据集上完成CNN分类模型训练，输出层采用softmax激活函数，在测试集上取得了91%的准确率，但目前存在核心能力缺口：需要模型可以输出「无法识别图像内容」的判定，解决两类实际落地问题：

• 降低模型对模糊输入的误分类概率
• 实现无匹配类别的图像识别：应用场景为蛇类图像检索，需要模型可以准确判定输入图像中不存在蛇的情况

当前模型的softmax输出存在明显的分布错位，完全无法区分已知类和未知类输入：

• 第一幅输入图像实际属于第二类别，模型判断结果正确，输出向量为[[0.05 0.89 0.05]]
• 第二幅输入图像实际不属于任何已训练的已知类别，模型却给出了几乎完全一致的高置信度判断，输出向量为[[0.05 0.89 0.05]]

当前模型对已知类别的分类能力本身无明显缺陷，但所有输入的最高输出置信度始终集中在0.85-0.89区间，完全无法区分未知类别图像，既达不到输出更贴近真实概率的预期效果，也无法实现“无匹配判定”的能力要求。

最初考虑的落地方案是在原输出层新增「图像无蛇」的分类节点，但认为该实现方式较为粗糙、泛化能力不足。核心疑问为：上述无法识别未知类的痛点，是否可以通过目标检测（Detection）、语义分割（Segmentation）类技术路线来解决？

内容的提问来源于stack exchange，提问作者Argo