Jestem nowy w dziedzinie maszyn i uczenia maszynowego. Mój problem badawczy mógłby zdecydowanie skorzystać na wykorzystaniu sieci neuronowych typu splot (cnn). Próbuję zbudować cnn dla pewnych transformacji obrazu specyficznych dla mojego problemu badawczego. Do tej pory większość przykładów cnn, z którymi się spotkałem, jest jakąś formą klasyfikacji. Dla przykładów klasyfikacji rozumiem podstawową operację dla cnn, biorąc pod uwagę obraz wejściowy, sieć podaje liczbę. Ta liczba jest porównywana z etykietą (powiązaną z obrazem wejściowym), a następnie błąd z tego jest propagowany z powrotem do sieci, aby dostosować wagi do następnej iteracji. W przypadku mojego problemu z transformacją wyjście sieci to obraz, a „etykieta”, która jest oczekiwanym wynikiem, jest także obrazem. Tu utknąłem. Jak użyć obrazu jako etykiety i jakie modyfikacje muszę wykonać w modelu.fit (), aby użyć obrazu jako etykiety.
Dziękuję i wszelkie wskazówki w tej sprawie byłyby bardzo mile widziane. Najlepiej, snsvsn
Odpowiedzi:
0 dla odpowiedzi № 1Po pierwsze, kiedy mówisz przekształcać, co to znaczy? Czy jest to coś w rodzaju macierzy transformacji, którą można przedstawić jako zestaw parametrów. Albo jest bardzo skomplikowany i nie może być łatwo wyrażony przez kilka parametrów.
W pierwszym przypadku, np. macierz transformacji perspektywy, możesz bezpośrednio cofnąć te parametry. Innymi słowy, nie musisz używać obrazu jako celu sieciowego, zamiast tego możesz szkolić CNN, aby przewidzieć wszystkie elementy macierzy.
W drugim przypadku krótka odpowiedź brzmi TAK. Powinieneś dalej czytać materiały w specjalnych sieciach, takich jak przestrzenne sieci transformatorowe. Zauważ, że nie twierdzę, że sieci transformatorów przestrzennych rozwiążą twój problem, ale wskazują właściwy kierunek
- poznaj wszystkie parametry związane z transformacją w sieci
- przekształć swój obraz wejściowy w różny sposób (może to być warstwa niestandardowa)
- obliczyć utratę rekonstrukcji (np. MSE) między przekształconym obrazem a celem.