、thatsのは、フロートはベクトル[128]または[64]
-Createモデルとデータ・ベースをたどると、あなたがニューラルネットに設定されます、あなたのサーフィンの構成に依存をオフに設定意味します:各オブジェクトオフそれぞれの写真に10枚のdiferentsの写真モデルオフ車、diferentsの10枚の写真のモデルオフバイク貴様モデルオフトラック...などの10枚の写真のようなオブジェクトの各タイプの
-bikes
-cars
-autobus
-truck
-Take diferentsの写真、クラスはそのサーフ特徴ベクトルを抽出する。
- それぞれのタイプのオブジェクトは、このようなニューラルネット内のオブジェクトの1クラスを表します。バイナリrepesentacionで
-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
- 各ビットは、ネットワークの出力層に1個のニューロンに対応し、ニューラルネットワークの構成に基づいて説明する今
を認識対象物の1つのクラスを代表するであろう特徴ベクトルのサイズと、このように認識したい対象物の種類の数。
入力層におけるnuerons数、64または128のサイズオフサーフ特徴ベクトルのによってあなたが設定され、ニューラルネットにおける出力層におけるnuerons数はなり
を使用この例で認識したいオブジェクトのクラスの数4
各ニューロンの神経機能は、シグモイド関数またはタン関数(http://www.learnartificialneuralnetworks.com/)です。フリークフェイタルを使用すると、サーフ機能は浮動小数点数で表されますまたは別のバイナリローカルフィーチャ記述子(Brisk、ORB、BRief)を使用すると、ステップ関数o sigm funのような各ニューロンにバイナリアクティベーション関数を使用しますあなたは、この例に
例
-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
を設定し、ニューラルネットワークを訓練するために、データセットを準備する必要があります続行する前に
ctionネットワークを訓練するために使用されるそのアルゴリズムは、バックプロパゲーション
です出力層に4ニューロン、入力層に128ニューロン64ニューロンを有する。
- 認識モードでのニューラルネットの出力は、この4ニュートンの最も高い値を持つニューロンになります。
ニューラルネットの出力は、入力ベクトルが属する確率であるため、トレーニングフェーズを開始する前に、データセット内のすべてのフィーチャに区間[0,1]の正規化を使用する必要がありますデータセット内のオブジェクトの1つのクラス。
ネットワークを訓練するために設定されたデータは、次のように分割する必要があります:
-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
ニューラルネットワークを訓練するときにそのは85から90パーセント
に近いときに、停止基準は、recognittion率であります
svmマシンではなくneural netを使用する理由svmマシンはうまく動作しますが、このような線形分類問題では最適な分離クラスマップを作成できません。また、多くのオブジェクトクラスやオブジェクトタイプがある場合認識フェーズの結果にはあらかじめあります。
私はあなたが彼らが
http://link.springer.com/chapter/10.1007%2F11578079_10
OpenCVのニューラルネットMLPモジュールに機械学習クラスを持っている
希望、これはあなたを助けることができる
オブジェクト認識にニューラルネットワークを使用する方法を教えてくれてありがとう。 しかし、私のシナリオでは、お互いに近い(例えば、2つのタクシーが互いに隣接している)同様のオブジェクトを扱わなければならないかもしれません。私はそれらを別々に識別できる必要があります。ニューラルネットワークが私にこれを手伝ってくれる方法はありますか? あなたが言及した技術を使用すると、私は車両を認識することができますが、それらを個別に分離することはできません(2つのタクシーの周りに長方形を描くように) –