C# 神经网络分类

您好，我正在做一个项目，使用安和emgucv C#visual studio 2010识别一支钢笔。我有一个关于安的问题。为了认笔，我必须训练安。所以我在输出层有一个神经元用于两种分类（一支笔或非笔），所以我用1100支笔的图像训练ANN，我的问题是：我是否需要用任何不是第二类笔的图像训练ANN（第一类是笔），或者如果我显示的图像ANN没有经过训练，ANN会认为那不是笔？

，正如@bicker所指出的，它会假设一切都是笔。但是，您可以使用输出的级别来预测它成为笔的可能性。但你真正想做的是训练它使用钢笔和非钢笔。使用两个输出节点，一个用于pen，另一个用于not pen，您可能会看到更好的性能。这通常是人们进行NN分类的方式，尽管使用单一的NN分类应该是可行的。请注意，您选择的激活函数将引导节点之间的输入和输出范围（sigmoid预期为0-1，tanh-1到1）。此外，网络的层级数量和每个隐藏层中的神经元数量也会产生很大的差异。确保至少有一个隐藏层。如果您只有一个输入和输出层，那么它不太可能做得很好

---

我会使用一些随机对象的在线图像来训练负面案例，如果你没有。但是，由于您似乎已经记住了如何使用此功能，因此，将图像与培训后使用时看到的图像进行比较，可以获得更好的性能。

如果您只对ANN进行笔图像培训，它会假设每个图像都是笔的图像。是的，首先我将图像转换为灰度，然后应用高斯模糊消除噪声，然后转换为二进制图像，这样好吗？？所以我有一个想法，我想用钢笔一样的底片图像作为背景，这是个好主意吗？嗯，例如，如果安认出一支钢笔，我怎么能在钢笔不确定的地方画一个矩形呢。这真是另一种问题。你可以用一个人工神经网络来解决这个问题。我可能会尝试一种聚类方法来分割图像，因为你的ANN认为这是一支钢笔。但我认为这是另一个问题。我读到关于将0-1之间的值标准化的文章。灰度图像的值0-255是否有任何问题，以便提供类似ANN的输入？？如果它们是标准化的，理论上没有。但是，对它们进行二值化以便将它们转换为简单的0,1（使用阈值）可能会更好。我听说人们在解决这个问题时经常使用美白。