画像内の手の存在を検出するように conv ニューラル ネットワークをトレーニングしたいと思います。
難点は次のとおりです: 1/ 画像には手以外のオブジェクトが含まれます。ちょうど、手が画像のほんの一部である人々のグループの写真のように、2/ 手は多くの向き/形状などを持つことができます (角度等により、開いていたり開いていなかったりします。）
トリミングされた手の画像（+手のないランダムな画像）の大きなセットでconvnetをトレーニングし、画像のすべてのサブスクエアに分類子を適用することを考えていました。これは良いアプローチですか？
インスピレーションに使用できる複雑な 2 クラスの convnets / RNN の他の例はありますか?
ありがとうございました！
トリミングされた手の画像（+手のないランダムな画像）の大きなセットでconvnetをトレーニングし、画像のすべてのサブスクエアに分類子を適用することを考えていました。これは良いアプローチですか？
はい、これは良いアプローチだと思います。ただし、ランダムと言う場合は、おそらく「手が現れる可能性が最も高い」画像からサンプリングする必要があることに注意してください。それはユースケースに大きく依存し、何をしているかに合わせてデータセットを調整する必要があります。
データセットを構築する方法は、次のようになります。
ただし、次のようなことを選択する必要がある場合:
この理由は、基礎となるディストリビューションが既に存在するためです。あなたのイメージのほとんどは、友達のグループ、家でパーティーをしている写真、または背景のイメージが建物である可能性があると思います。したがって、風景画像を導入すると、上記の仮定を保持しながら、この分布が破損する可能性があります。
したがって、「ランダムな画像」を使用する場合は十分に注意してください。
私の画像のすべてのサブスクエアに
質問のこの部分に関しては、基本的に画像全体でスライディング ウィンドウを実行しています。はい、実際には機能します。しかし、パフォーマンスを求めている場合、これは良い考えではないかもしれません。検索スペースを絞り込むために、いくつかのセグメンテーション アルゴリズムを実行することをお勧めします。
インスピレーションに使用できる複雑な 2 クラスの convnets / RNN の他の例はありますか?
複雑な2クラスのconvnetsの意味がわかりません。私は RNN に詳しくないので、convnets に焦点を当てます。基本的に、畳み込みネットは自分で定義できます。たとえば、畳み込み層のサイズ、層の数、最大プーリング方法、完全に接続された層の大きさなどです。最後の層は基本的にソフトマックス層であり、ネットがどのクラスになるかを決定します。なれ。2 つのクラスがある場合、最後のレイヤーには 2 つのノードがあります。3 つある場合は、3 などです。そのため、2 から 1000 までの範囲になる可能性があります。1000 を超えるクラスを持つ convnet については聞いたことがありませんが、情報が不足している可能性があります。これが役立つことを願っています！
これは、ネットワークを選択することよりも、適切なラベル付きトレーニング データを見つけることの問題のようです。ニューラル ネットワークは、「手の写真」と「偶発的に手を含む写真」の違いを学習できますが、画像がどのカテゴリに属するかを判断するには、いくつかのラベル付きの例が必要です。
これを見てみたいかもしれません: http://www.socher.org/index.php/Main/ParsingNaturalScenesAndNaturalLanguageWithRecursiveNeuralNetworks