假设我们有一组用于机器学习分类任务的图像和标签。问题是,这些映像具有相对较短的保留策略。虽然人们可以在线培训一个模型(即每天用新的图像数据更新它),但我
最理想的解决方案是,以某种方式保留图像以供培训和测试。
为此,我感兴趣的是是否有任何已知的技术,例如对图像进行某种单向散列,这会使图像变得模糊,但仍允许对其进行深入学习。
我不是这方面的专家,但我的想法是:我们有一个
NxN
形象
I
(说
1024x1024
)像素值在
P:={0,1,...,255}^3
,和单向散列映射
f(I):P^(NxN) -> S
. 然后,当我们训练卷积神经网络时
我
,我们首先通过
f
,然后在高维空间进行训练。我认为没有必要
f型
对于局部敏感的像素,只要我们知道如何将卷积滤波器映射到S,就不需要映射到S中的值
f型
是不可逆的,并且生成的存储图像
S
无法识别。
一个选项
f,S
使用卷积神经网络
我
然后提取
我
从它的完全连接层。这并不理想,因为这个网络很有可能无法保留分类任务所需的更精细的功能。所以我想这排除了CNN或自动编码器
f型
.