Neural network 用于多模式识别的神经网络输出层

假设我有一种方法或其他神经网络来正确地对图像进行模式检测。我应该如何设计一个图像中有多个模式的神经网络

---

假设在一张图像中，有X个模式需要检测，那么最好的方法是什么？AFAIK输出层神经元值应为[-1,1]。我如何知道是否有X数量的模式识别？这是否意味着我必须设置一个硬编码限制，限制它可以识别多少模式（因为输出神经元的数量是固定的）？

这里有一个建议，使用人脸检测作为示例。Github上的这一点被描述为使用Haar分类器检测多重模式（即面）。如果您在实现部分下阅读，则说明算法使用

scaleOption

和

templateSizeOption

参数（以及其他参数）来控制在图像中检测到的面数。听起来您应该在给定图像的子空间或窗口（甚至可能是重叠的空间）中查找特征

缩放选项-此参数用于指定 使用haar功能的速率 对于人脸检测，将按比例缩放。A. 低比例选项意味着更多 将检测面，同时检测更高的 “缩放”选项将执行更快的缩放 检测，但可能会漏掉一些人脸 从输入图像。默认值 比例值为1.1，这决定了 特征维度的增加 每一步10%

模板大小选项–用于 指定要删除的最小区域 寻找一张脸。如果我们想 从特写图像中检测人员， 大小应该超过40像素， 否则为25个像素区域（即 默认值）对于 检测大量的人脸

---

这里有一个建议，以人脸检测为例。Github上的这一点被描述为使用Haar分类器检测多重模式（即面）。如果您在实现部分下阅读，则说明算法使用

scaleOption

和

templateSizeOption

参数（以及其他参数）来控制在图像中检测到的面数。听起来您应该在给定图像的子空间或窗口（甚至可能是重叠的空间）中查找特征

缩放选项-此参数用于指定 使用haar功能的速率 对于人脸检测，将按比例缩放。A. 低比例选项意味着更多 将检测面，同时检测更高的 “缩放”选项将执行更快的缩放 检测，但可能会漏掉一些人脸 从输入图像。默认值 比例值为1.1，这决定了 特征维度的增加 每一步10%

模板大小选项–用于 指定要删除的最小区域 寻找一张脸。如果我们想 从特写图像中检测人员， 大小应该超过40像素， 否则为25个像素区域（即 默认值）对于 检测大量的人脸

---

要做到这一点，请使用hopfild网络。首先，在相同的窗口中提取目标并保存在网络中。然后在图像中进行简单的算法搜索，并随时将网络sim与目标进行比较，对于任何目标，使用单独的数组保存结果。最后提取每个数组中最近的模式。开始之前，您可以在原始图像中使用一些图像处理

要做到这一点，请使用hopfild网络。首先，在相同的窗口中提取目标并保存在网络中。然后在图像中进行简单的算法搜索，并随时将网络sim与目标进行比较，对于任何目标，使用单独的数组保存结果。最后提取每个数组中最近的模式。开始之前，您可以在原始图像中使用一些图像处理

是的，这可以通过神经网络实现。我认为最实际的解决方案是将神经网络应用于扫描图像的窗口。来自神经网络的多次点击意味着图像中有多个目标对象

---

顺便说一句，神经网络不必位于-1范围内。。1.

是的，这可以通过神经网络实现。我认为最实际的解决方案是将神经网络应用于扫描图像的窗口。来自神经网络的多次点击意味着图像中有多个目标对象

---

顺便说一句，神经网络不必位于-1范围内。。1.

我对使用神经网络感兴趣，而不是使用其他算法。我最初的问题是，有没有可能这样做NN@GantengX是的，但我认为这些想法将是有用的想法，即使使用NN。特别是如果你做了类似于

模板大小选项

的事情（即，你可能会有一个算法在每个原始图像的子集上使用NN）。我感兴趣的是使用神经网络，而不是使用其他算法。我最初的问题是，有没有可能这样做NN@GantengX是的，但我认为这些想法将是有用的想法，即使使用NN。特别是如果您执行类似于

templateSizeOption

的操作（即，您可能有一个在每个原始图像的子集上使用NN的算法）。