Nếu bạn sử dụng các tính năng lướt web, thats có nghĩa là một phao đặt ra vector [128] hoặc [64] phụ thuộc vào bạn lướt web cấu hình bạn sẽ được thiết lập mạng thần kinh như sau
-Tạo một cơ sở dữ liệu với các mô hình:
-bikes
-cars
-autobus
-truck
-Tham diferents ảnh của từng loại đối tượng như 10 ảnh diferents mô hình tắt ô tô, 10 ảnh diferents mô hình tắt xe đạp 10 ảnh của differents mô hình tắt xe tải ... vv, mỗi ảnh tắt từng đối tượng lớp trích xuất các vectơ tính năng lướt của nó.
-Mỗi loại đối tượng sẽ đại diện cho một lớp học của đối tượng trong mạng neural-net như thế này;
-car ;object class 1 =binary representaation in 4 bits= 0 0 0 1
-bikes ;obejct class 2 =binary representaation in 4 bits= 0 0 1 0
-truck ;obejct class 3 =binary representaation in 4 bits= 0 0 1 1
-ball ;obejct class 4 =binary representaation in 4 bits= 0 1 0 0
chút -Mỗi trong repesentacion nhị phân sẽ được tương ứng với một tế bào thần kinh trong lớp đầu ra của mạng và đại diện cho một lớp các đối tượng được công nhận
Bây giờ cấu hình của mạng thần kinh sẽ được dựa trên kích thước của vector tính năng và số loại đối tượng mà bạn muốn nhận ra theo cách này;
Các Số nuerons trong đầu vào lớp; 64 hoặc 128 phụ thuộc vào kích thước tắt lướt vector đặc trưng mà bạn đã cấu hình và sử dụng
Số nuerons trong đầu ra lớp trong thần kinh-net sẽ số lượng các lớp đối tượng mà bạn muốn nhận ra trong ví dụ này 4
Hàm kích hoạt neecesary cho mỗi nơron là hàm sigmoid hoặc tanh (http://www.learnartificialneuralnetworks.com/), vì các đặc tính lướt được biểu diễn bằng số float, nếu bạn sử dụng fetaures quái dị hoặc một bộ mô tả tính năng địa phương nhị phân khác (Brisk, ORB, BRief) thì bạn sẽ sử dụng một hàm kích hoạt nhị phân cho mỗi nơron như hàm bước o sigm fun ction
Các thuật toán sử dụng để huấn luyện mạng là lan truyền ngược
trước khi tiếp tục, bạn cần phải thiết lập và chuẩn bị dữ liệu thiết lập để đào tạo mạng lưới thần kinh
dụ
-all feature vector extracted from picture belong a car will be label or asociated to class 1
-all feature vector extracted from picture belong a bike will be label or asociated to class 2
-all feature vector extracted from picture belong a truk will be label or asociated to class 3
-all feature vector extracted from picture belong a ball will be label or asociated to class 4
ví dụ này bạn sẽ có 4 tế bào thần kinh ở lớp ngoài và 128 0r 64 tế bào thần kinh trong lớp đầu vào.
-Các đầu ra của mạng neural trong chế độ nhận dạng sẽ là các tế bào thần kinh có giá trị cao nhất của 4 nuerons này.
việc sử dụng bình thường của nó trong khoảng thời gian [0,1] cho tất cả các tính năng trong tập dữ liệu, trước khi bắt đầu giai đoạn đào tạo, bởi vì mạng lưới thần kinh xuất hiện là xác suất có vectơ đầu vào một lớp đối tượng trong tập dữ liệu.
dữ liệu thiết lập để đào tạo mạng đã được chia như sau:
-70% off the data used to train
-15% off the data used to validate the network arquitecture (number of neurons in the hidden layyer)
-15% off the data used to test the final network
khi đào tạo mạng lưới thần kinh, tiêu chí dừng là tỷ lệ recognittion, khi nó là gần 85-90%
Tại sao sử dụng net neural chứ không phải máy svm, máy svm hoạt động tốt, nhưng nó không thể tạo bản đồ phân lớp tốt nhất không có vấn đề phân loại tuyến tính như thế này hoặc khi bạn có nhiều loại đối tượng hoặc loại đối tượng là aprecciate trong kết quả giai đoạn nhận dạng
tôi khuyến cáo bạn đọc một số về lý thuyết mạng thông minh để hiểu cách họ làm việc
http://link.springer.com/chapter/10.1007%2F11578079_10
opencv có lớp học máy cho lưới thần kinh MLP mô-đun
hy vọng điều này có thể giúp bạn
Cảm ơn bạn đã giải thích cho tôi cách tôi có thể sử dụng Mạng thần kinh để nhận dạng đối tượng. Tuy nhiên, trong kịch bản của tôi có thể phải đối phó với các đối tượng tương tự gần nhau (ví dụ: hai taxi liền kề nhau). Tôi cần có khả năng Nhận dạng riêng chúng. Có cách nào mà Neural Networks có thể giúp tôi với điều này không? Tôi cảm thấy rằng việc sử dụng kỹ thuật mà bạn đã đề cập sẽ cho phép tôi nhận ra Xe nhưng không tách riêng chúng (Giống như vẽ hình chữ nhật xung quanh hai xe taxi) –