Я новачок в керах і машинному навчанні. Моя дослідницька проблема, безумовно, може отримати вигоду від використання нейронних мереж (cnn). Я намагаюся створити cnn для певних трансформацій зображення, характерних для моєї дослідницької проблеми. Поки що більшість прикладів cnn, з якими я стикався, є певною формою класифікації. Для прикладів класифікації я розумію основну операцію для cnn, враховуючи вхідне зображення, що мережа видає число. Це число порівнюється з міткою (пов'язаною з вхідним зображенням), а потім помилка, що повертається в мережу, щоб відрегулювати ваги для наступної ітерації. Для моєї проблеми перетворення, вихід мережі є зображенням і "міткою", яка є очікуваним виходом, також є зображення. Тут я застряг. Як використовувати зображення як мітку, і які модифікації мені потрібно зробити в model.fit (), щоб використовувати зображення як мітку.
Дякуємо, і будь-яке керівництво з цього питання буде дуже вдячно. Найкраще, snsvsn
Відповіді:
0 для відповіді № 1По-перше, коли ви говорите перетворити, що це означає? Це щось на зразок матриці перетворень, яка може бути представлена у вигляді набору параметрів. Або вона насправді дуже складна і не може бути легко виражена кількома параметрами.
Для першого випадку, напр. перспективну матрицю перетворення, можна безпосередньо регресувати ці параметри. Іншими словами, ви не повинні використовувати зображення як вашу мережеву мету. Замість цього ви можете навчити CNN передбачити всі елементи матриці.
У останньому випадку коротка відповідь - YES. Далі слід читати матеріали у спеціальних мережах мережі просторових трансформаторів. Зауважимо, я не кажу, що просторові трансформаторні мережі вирішать вашу проблему, але вона вказує на правильний напрямок, тобто
- вивчити всі пов'язані з перетворенням параметри в мережі
- перетворити вхідне зображення диференційовано (це може бути користувацький шар)
- обчислюють втрати відновлення (наприклад, MSE) між перетвореним зображенням і вашою ціллю.