如何自动确定机器学习的特征？答案

【问题标题】：How to automatically determine features for machine learning?如何自动确定机器学习的特征？
【发布时间】：2018-10-17 12:39:16
【问题描述】：

我必须确定图像中象海豹的数量。原图太大，无法上传，所以有一个示例： Elephant seals

不能使用经典的图像处理技术，因为动物和沙子的颜色略有相同。我们会分割阴影或纹理，但不会分割海豹。这就是我想测试机器学习的原因。

目标是手动确定一些代表海豹的 ROI 和其他代表沙子的 ROI，以便识别图像中的其他动物。问题是我不知道我可以用哪个特征来描述海豹并将它们与沙子区分开来。

局部直方图及其统计数据（尤其是均值和标准差）似乎很有趣，但还不够。我考虑过使用图像渐变，但它并没有带来很好的辨别力。此外，我认为必须使用几个功能的组合，但很难说是哪些。

这就是为什么我想知道是否有一种方法可以自动确定判别特征，以将它们用于机器学习算法的学习和预测步骤。

在我找到的每个 tutos 中，都已经定义了描述符。

你有什么线索吗？

【问题讨论】：

（几乎）现在每个人都在使用 CNN，原因之一是它可以在不知道任何问题的情况下工作。输入是像素。无需寻找功能。但是你将很难使用这种类型的机器学习来计算事物。它将像素分类为密封/非密封，但不会分离单个密封。
感谢您的回复，CNN 似乎是了解像素属于海豹还是沙子的好方法。结合其他技术，这将有助于去除沙形。我需要进一步测试它。

【解决方案1】：

我必须确定图像中象海豹的数量。 ..有什么线索吗？

嗯，
" classical " ML-Features (per-se) 在这里还不够：

这是智能对象识别的常见情况，它必须提供合理的鲁棒性，然后才能开始进行任何计数。

例如，CNN 方法使用专门的内核部署（通常是深度）预处理架构，这首先有助于将 2D 场景分解为前体，然后可能有助于实际的基于 ML 的学习器（管道的完全连接的“尾部”部分）开始学习对象识别。

没有这些（深或浅）卷积层以及许多应用转码和池化技巧，使用非线性变换的共局部新的、内核产生的“视觉”特征重新光栅化场景，预处理这些auto-synthetized-features 用于实际 ML 学习器的（尚未）更深层。在这方面发表了许多论文，因此您实际上很高兴有公共资源可供使用。

【讨论】：

感谢您的详细解答，找到了很清晰的教程here。全局的想法很直观，但我需要更多的练习。我会深入研究。
欢迎@ractiv 很高兴听到您的感谢。 StackOverflow 鼓励用户点击 [+1] 帖子，这些帖子具有一定的价值、有趣或能激发进一步的研究/工作。 不要犹豫您在评论文本中感谢的答案，并随时单击（接受）一点在“向下”三角形下方，以便确实接受提供的最佳答案。 这就是 StackOveflow 的工作原理。不管怎样，享受这个伟大的知识社区，成为我们下一个积极贡献的成员。
是的，我想 +1 你的答案，但我仍然错过了一些声誉点。我读到我的 +1 已在数据库中考虑，但未在此处显示，所以当我有足够的声望点时我会再试一次。