1. 一幅圖像中的多個物體用什么算法識別出來？
2. 分類機器學習中，某一標簽占比太大（標簽稀疏），如何學習？
3. 標簽是什么意思？
4. 標簽怎么寫推薦量高？

一幅圖像中的多個物體用什么算法識別出來？

利用卷積網絡的平移不變性，先對圖像進行網格分割，再把每個網格作為單獨的輸入到網絡里，當然也要看你的網絡的訓練數據，如果標簽是只包含一個目標的，那只能這么做了，如果不想分割就需要考慮增大訓練樣本了，需要把物體的組合情況考慮進去

分類機器學習中，某一標簽占比太大（標簽稀疏），如何學習？

在機器學習任務中，我們經常會遇到這種困擾：數據不平衡問題。

數據不平衡問題主要存在于有監督機器學習任務中。當遇到不平衡數據時，以總體分類準確率為學習目標的傳統分類算法會過多地關注多數類，從而使得少數類樣本的分類性能下降。絕大多數常見的機器學習算法對于不平衡數據集都不能很好地工作。

本文介紹幾種有效的解決數據不平衡情況下有效訓練有監督算法的思路：

1、重新采樣訓練集

可以使用不同的數據集。有兩種方法使不平衡的數據集來建立一個平衡的數據集——欠采樣和過采樣。

1.1. 欠采樣

欠采樣是通過減少豐富類的大小來平衡數據集，當數據量足夠時就該使用此方法。通過保存所有稀有類樣本，并在豐富類別中隨機選擇與稀有類別樣本相等數量的樣本，可以檢索平衡的新數據集以進一步建模。

1.2. 過采樣

相反，當數據量不足時就應該使用過采樣，它嘗試通過增加稀有樣本的數量來平衡數據集，而不是去除豐富類別的樣本的數量。通過使用重復、自舉或合成少數類過采樣等方法（SMOTE）來生成新的稀有樣品。

注意到欠采樣和過采樣這兩種方法相比而言，都沒有絕對的優勢。這兩種方法的應用取決于它適用的用例和數據集本身。另外將過采樣和欠采樣結合起來使用也是成功的。

2、使用K-fold交叉驗證

值得注意的是，使用過采樣方法來解決不平衡問題時應適當地應用交叉驗證。這是因為過采樣會觀察到罕見的樣本，并根據分布函數應用自舉生成新的隨機數據，如果在過采樣之后應用交叉驗證，那么我們所做的就是將我們的模型過擬合于一個特定的人工引導結果。這就是為什么在過度采樣數據之前應該始終進行交叉驗證，就像實現特征選擇一樣。只有重復采樣數據可以將隨機性引入到數據集中，以確保不會出現過擬合問題。

K-fold交叉驗證就是把原始數據隨機分成K個部分，在這K個部分中選擇一個作為測試數據，剩余的K-1個作為訓練數據。交叉驗證的過程實際上是將實驗重復做K次，每次實驗都從K個部分中選擇一個不同的部分作為測試數據，剩余的數據作為訓練數據進行實驗，最后把得到的K個實驗結果平均。

標簽是什么意思？

早在1700年，歐洲印制出了用在藥品和布匹上作為商品識別的第一批標簽。所以，現在的標簽是用來標志您的產品目標和分類或內容，像是您給您的目標確定的關鍵字詞，便于您自己和他人查找和定位自己目標的工具。

印刷業所稱的標簽，大部分是用來標識自己產品的相關說明的印刷品，并且大部分都是以背面自帶膠的。但也有一些印刷時不帶膠的，也可稱為標簽。有膠的標簽就是通俗稱的“不干膠標簽”。儀器校準后的標簽問題，這個是由國家統一規定的（或自己的省內規定）標簽，標簽能夠明確的說明儀器被校準后的詳細情況。

標簽怎么寫推薦量高？

標簽推薦量高需要注意以下幾點：1. 確定主要關鍵詞：在標簽中加入與主題相關的主要關鍵詞可以讓標簽更加精準，增加用戶點擊率和發現率。
2. 細分關鍵詞：將關鍵詞細分為不同的子類，可以讓標簽更加具有針對性，滿足用戶更為精細化的需求，進而增加用戶黏度和復購率。
3. 運用標簽分析工具：使用標簽分析工具可以了解用戶搜索意圖和行為，進而針對性地調整標簽，提高推薦量和點擊率。