【问题标题】:OpenCV Neural network for images processing用于图像处理的 OpenCV 神经网络
【发布时间】:2017-11-22 06:17:43
【问题描述】:

我是 AI 世界的新手并尝试一些练习。 看来我需要一些第三方经验。

假设我需要消除图像缺陷(实际上任务更棘手)。 我希望经过训练的神经网络能够插入缺陷区域。

出于这些原因,我尝试创建简单的神经网络。 它具有输入:具有deffect(72 * 54)的灰度图像和没有缺陷的相同图像。 隐藏层有2*72*54个神经元。

主要代码

   cv::Ptr<cv::ml::ANN_MLP> ann = cv::ml::ANN_MLP::create();

   int inputsCount = imageSizes.width * imageSizes.height;
   std::vector<int> layerSizes = { inputsCount, inputsCount * 2, inputsCount};
   ann->setLayerSizes(layerSizes);
   ann->setActivationFunction(cv::ml::ANN_MLP::SIGMOID_SYM);

   cv::TermCriteria tc(cv::TermCriteria::MAX_ITER + cv::TermCriteria::EPS, 50, 0.1);
   ann->setTermCriteria(tc);

   ann->setTrainMethod(cv::ml::ANN_MLP::BACKPROP, 0.0001);

   std::cout << "Result : " << ann->train(trainData, cv::ml::ROW_SAMPLE, resData) << std::endl;
   ann->predict(trainData, predicted);

我的训练数据集看起来像

在 10 个项目数据集上训练的 NN 在这个(相同的)输入上给出了不好的结果。我尝试了不同的参数

但仅在 2 张图像上训练 NN 得到接近输出(在训练数据上)。

我想这不是不合适的方法,解决方案也不是那么容易。

也许有人对参数或神经网络架构或整体方法有一些建议。

【问题讨论】:

    标签: c++ opencv image-processing neural-network perceptron


    【解决方案1】:

    似乎终止标准仅适用于两个样本,但在使用大量样本进行训练时还不够好。尝试调整它们,以及学习率。 从已正确恢复的像素质量来看,网络架构似乎适合这项任务。一旦网络在 10 个样本上运行良好,我强烈建议添加更多的训练样本。

    【讨论】:

      【解决方案2】:

      主要问题是给定网络的数据很少。

      您的 NN 已完全连接。像素 0,0 的权重与像素 1,0 的权重完全不同,并且像素 0,1 的权重也不同。你有很多 很多 权重,有这么多节点。因此,虽然 10 张图像中有大量像素,但对于所有权重而言,像素还远远不够。

      卷积神经网络的权重要少得多,因为它的许多权重都被重复使用了。这意味着在训练中,这些权重由每个训练图像的多个像素训练。

      并不是说我希望这仅适用于 10 张图片。人类的期望源自多年的人类视觉,实际上是数十亿张图像。

      【讨论】:

        猜你喜欢
        • 2016-11-29
        • 2011-12-03
        • 1970-01-01
        • 2018-10-19
        • 2021-12-25
        • 1970-01-01
        • 2018-10-10
        相关资源
        最近更新 更多