Se si utilizzano le funzionalità di navigazione, questo è significano un galleggiante partì vettore [128] o [64] in funzione della configurazione si spuma verrà imposta la rete neurale come seguono
-Creare un database con i modelli:
-bikes
-cars
-autobus
-truck
-Take diferents foto di ogni tipo di oggetti come 10 foto di diferents modello off auto, 10 foto di diferents modello off bikes 10 foto di differenti modelli off camion ... ecc, per ogni foto off ogni oggetto classe estrarre i suoi vettori di funzionalità di navigazione.
-Ogni tipo di oggetto rappresenterà una classe off di oggetto nella rete neurale come questa;
-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
bit -Ogni in repesentacion binari saranno corrisponde a un neurone nello strato di uscita della rete e rappresentano una classe dell'oggetto da riconoscere
Ora la configurazione della rete neurale sarà basata sulla dimensione del vettore funzione e il numero di tipi di oggetto che si desidera riconoscere in questo modo;
Il Numero di nuerons nell'input-strato, 64 o 128 a seconda delle dimensioni off spuma funzione vettoriale configurate e utilizzato
Il numero di nuerons nell'output strato nella rete neurale sarà il numero di classi di oggetti che vuoi riconoscere in questo esempio 4
La funzione di attivazione necessaria a ciascun neurone è la funzione sigmoid o tanh (http://www.learnartificialneuralnetworks.com/), perché le funzioni di navigazione sono rappresentate da numeri float, se si utilizzano feakures anomali o un altro descrittore di funzioni locali binarie (Brisk, ORB, BRief) quindi verrà utilizzata una funzione di attivazione binaria per ogni funzione del gradino di un neurone o divertimento sigm ction
L'algoritmo utilizzato per addestrare la rete è la backpropagation
prima di continuare è necessario impostare e preparare il set di dati per addestrare la rete neurale
esempio
-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
a questo esempio si avrà 4 neuroni nello strato di uscita e 128 0r 64 di neuroni nello strato di input.
-L'uscita della rete neurale in modalità di riconoscimento sarà il neurone che ha il valore più alto di questi 4 nueroni.
il suo necesario usa la normalizzazione nell'intervallo [0,1] a tutte le funzionalità nel set di dati, prima di iniziare la fase di addestramento, perché l'uscita della rete neurale è la probabilità che il vettore di input appartenga a una classe di oggetti nel set di dati.
il set di dati per addestrare la rete devono essere diviso come segue:
-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
quando la formazione della rete neurale, il criterio di arresto è il tasso recognittion, quando il suo è vicina al 85-90%
perché usare le macchine neural net e non svm, le macchine svm funzionano bene, ma non può essere la migliore mappa di classe di separazione in nessun problema di classificazione lineare come questa o quando si hanno molte classi di oggetti o tipi di oggetti, questa mancanza è aprecciate nei risultati della fase di riconoscimento
Ho consigliato di leggere un po 'circa la teoria delle reti neurali per capire come funzionano
http://link.springer.com/chapter/10.1007%2F11578079_10
OpenCV avere classe di apprendimento automatico per le reti neurali modulo MLP
speranza questo può aiutare a
Grazie per avermi spiegato come utilizzare le reti neurali per il riconoscimento degli oggetti. Tuttavia, nel mio scenario potrebbe avere a che fare con oggetti simili che sono vicini tra loro (ad esempio due taxi adiacenti l'uno all'altro). Devo essere in grado di identificarli separatamente. C'è un modo in cui Neural Networks può aiutarmi con questo? Sento che usare la tecnica che hai menzionato mi consentirà di riconoscere i veicoli ma non di separarli singolarmente (come disegnare un rettangolo attorno ai due taxi) –