Machine learning 具有附加数据的图像识别

Machine learning 具有附加数据的图像识别,machine-learning,computer-vision,tensorflow,artificial-intelligence,deep-learning,Machine Learning,Computer Vision,Tensorflow,Artificial Intelligence,Deep Learning,大家早上好,首先我想明确地说,我昨天开始在机器学习方面迈出了第一步。 我已经阅读了最基本的项目,并参加了一些演讲。 我将在这里参加一个项目,几个月后,这项技术将得到应用。 作为一个初学者,我想问一个我认为很愚蠢的问题,但我无法为她找到答案 在演示文稿和文章中,我看到了分类器的创建,它可以对图像或数据集进行分类,但不能同时对两者进行分类。 例如,以鸢尾花数据集为例。在这个数据集中,我们有花的特征,例如花瓣宽度,但我们没有它的视觉表示。可以同时拟合,例如,估计某个图像花瓣的宽度 我想这是一个非常基本

大家早上好,首先我想明确地说,我昨天开始在机器学习方面迈出了第一步。 我已经阅读了最基本的项目,并参加了一些演讲。 我将在这里参加一个项目,几个月后,这项技术将得到应用。 作为一个初学者,我想问一个我认为很愚蠢的问题,但我无法为她找到答案

在演示文稿和文章中,我看到了分类器的创建,它可以对图像或数据集进行分类,但不能同时对两者进行分类。 例如,以鸢尾花数据集为例。在这个数据集中,我们有花的特征,例如花瓣宽度,但我们没有它的视觉表示。可以同时拟合,例如,估计某个图像花瓣的宽度

我想这是一个非常基本的问题,但我找不到适合初学者的问题


非常感谢。

机器学习模型总是适用于一些抽象数据项,如向量、多维空间中的点等。为了简单起见,让我们假设ML算法适用于向量。因此,分类将是将标签Y分配给向量Xn的任务

现在有了数据集,将一行中的值转换成向量就相对容易了——好吧,你必须以某种方式将文本转换成数字,反之亦然,但这是一个标准的过程

对于图像,它是不同的。现在,您必须为图像构建一个合适的ML表示。换句话说,您需要创建特征,例如描述图像的数字,您可以稍后将其用作ML的输入

这些特征的例子有:颜色直方图、平均亮度、边缘数量、各种卷积等。可以有更复杂的语义特征,如图片上有人。然而,计算这些要困难得多

总之,您可以在图像和数据集上构建分类器,但这基本上意味着将两者转换为一组特征