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Neural network 用于多模式识别的神经网络输出层,neural-network,pattern-recognition,Neural Network,Pattern Recognition,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scaleOptio
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)。