Machine learning 坠落时识别物体-视点变化
我有一个问题陈述，考虑到相机看到物体的不同视角，我可以识别同一物体（瓶盖）的10类不同变化（颜色和大小的变化）。我已将其分为多个子任务 1） 训练了一个深度学习模型，只对物体的平面进行分类，并在这次尝试中取得了成功 示例2类的平面 2） 没有考虑到这一点，而是为可能的视角变化培训了一个模型——但没有成功 样本2班级的知觉变化 即使透视图发生变化，识别对象的方法是什么。我不必带着一个摄像头解决方案到达现场。开放的思想，在处理这个问题的不同看法Machine learning 坠落时识别物体-视点变化,machine-learning,computer-vision,deep-learning,svm,object-recognition,Machine Learning,Computer Vision,Deep Learning,Svm,Object Recognition,我有一个问题陈述，考虑到相机看到物体的不同视角，我可以识别同一物体（瓶盖）的10类不同变化（颜色和大小的变化）。我已将其分为多个子任务 1） 训练了一个深度学习模型，只对物体的平面进行分类，并在这次尝试中取得了成功 示例2类的平面 2） 没有考虑到这一点，而是为可能的视角变化培训了一个模型——但没有成功 样本2班级的知觉变化 即使透视图发生变化，识别对象的方法是什么。我不必带着一个摄像头解决方案到达现场。开放的思想，在处理这个问题的不同看法 任何帮助都将不胜感激，提前谢谢 我想给你的答案是：
任何帮助都将不胜感激，提前谢谢 我想给你的答案是： 你一定要看看这篇文章，在那里你会被介绍到CNN的一些缺点，以及他们是如何试图解决这些缺点的 也就是说，我发现很难相信当透视图发生变化时，您的体系结构不能成功地解决问题。您的数据集是否非常小？我希望神经网络能够学习对条纹边缘的过滤，这可以从各个角度看到 如果你不局限于一个摄像头，你可以尝试训练一个“普通”分类器，你可以在制作中输入多个图像，并对预测进行平均。或者，您可以构建一个同时接受多个透视图的体系结构。你必须自己尝试，什么最有效 此外，永远不要低估老派图像预处理的威力。如果你有3种不同的视角，你可以选择最接近“平面”视角的视角。这可能与使用具有最大彩色区域的图像一样简单，其中
img.sum（）