Image processing 将原始数据作为图像提供给深度学习机,并期望为给定的类创建图像
我知道深度学习可以用很多很酷的东西来处理图像。 我面临的问题是: 是否有可能为多个类别创建一个大数据的位图图像,并将其提供给深度学习图像处理机器,并且在接受培训时,期望机器为给定类别生成一个图像 例如预测一场体育比赛;将每个游戏的静态图像作为输入,该类将是两个团队的名称。 因此,当我进入“新英格兰爱国者-西雅图海鹰”时,人工智能生成了一个图像,这是对游戏静态的预测Image processing 将原始数据作为图像提供给深度学习机,并期望为给定的类创建图像,image-processing,neural-network,artificial-intelligence,deep-learning,prediction,Image Processing,Neural Network,Artificial Intelligence,Deep Learning,Prediction,我知道深度学习可以用很多很酷的东西来处理图像。 我面临的问题是: 是否有可能为多个类别创建一个大数据的位图图像,并将其提供给深度学习图像处理机器,并且在接受培训时,期望机器为给定类别生成一个图像 例如预测一场体育比赛;将每个游戏的静态图像作为输入,该类将是两个团队的名称。 因此,当我进入“新英格兰爱国者-西雅图海鹰”时,人工智能生成了一个图像,这是对游戏静态的预测 这样做有助于预测吗?这是一个开放的研究主题,称为生成性对抗网络。可在此处找到对此的解释: 纸张使用示例: youtube教程示例:
这样做有助于预测吗?这是一个开放的研究主题,称为生成性对抗网络。可在此处找到对此的解释: 纸张使用示例: youtube教程示例: 是否可以为多个类创建位图图像[…],并将其提供给深度学习图像处理机器,并且在接受培训时期望机器为给定类生成图像 正如托马斯所写,你可能想看看的是“生成性对抗网络”(GAN) 然而,训练前馈多层感知器并不像训练前馈多层感知器那样简单。您不能简单地将类+噪波作为输入并期望它生成真实的输出图像。问题是:
如果你知道什么是重要的,在哪种关系中,那么就不要使用机器学习。我有点搞不懂你在问什么。所以你想训练机器输出一张包含游戏统计信息的图片,给定输入:“团队1”和“团队2”?是的,我想问的是,这是个好主意吗?我不确定这张图片的图像部分是否有用。该网络将花费大部分时间学习生成图像,而不是学习预测游戏统计数据。也许是一个网络,其中输出节点对应一个特定的统计数据:点数、袋数等。嗯,没错,但我的想法是,我可以在图像中显示更大的更重要的静态数据(如目标),这样有助于更好地学习数据。我想,一般来说,算法需要做的工作越多,获取有用数据的难度就越大。记住,机器不能像我们一样“看到”图像。想象一下,如果我对一堆数据进行位编码并让你学习它。你将不得不花大部分时间解码,而不是花太多时间学习任务。这里的这些算法也是如此。如果你想给重要的统计数据赋予更多的权重,你可以简单地在你的算法中加入一个权重项。谢谢托马斯,这真的很好地引导了我想去的地方,但我的问题还有另一部分,这项技术是预测体育比赛或类似类型数据的好方法吗?你的猜测和我的一样好。我想没有人试过这个。然而,这里有一个从文本生成图像的模型:。首先,感谢您的回复,其次,我输入到机器的图像就像一个二维码(无噪音),它具有游戏的所有静态,我所期望的图像与原始图像一样具有所有静态信息。然后,您可能应该更新问题并清楚地回答您的输入和预期输出。如果您的输入是图像统计,那么为什么不直接输入呢?为什么要对图像进行间接定向?这其实是我的问题,通过深度学习中这么多优秀的图像处理应用程序,它是否能帮助我更快地获得结果,而不仅仅是直接输入数据。而且,我想我可以在图像中显示更重要的数据,如目标分数更大,所以它对未来的结果有更大的影响。@AshkanGhodrat我已经扩展了我的答案。