我是神经网络的新手，我确实了解它们的工作原理。我打算创建一个神经网络来识别 3d 场景中的基本对象及其在图像中的位置。
从我目前阅读的内容来看，典型的方法是创建一个神经网络，输入的神经元数量为 image_width * image_height * 3（每种颜色），然后反向传播（图像识别的基本示例can be found here . 我还读到了更聪明的方法。问题是，因为我还在学习，我打算保持一种基本的方法来同步信息（这对于初学者来说可能可行，也可能不可行）。
我怎样才能以直接的方式做到这一点？真正的项目是在场景中移动并检测某些基本（或将来不会）对象，例如球。
这纯粹是学术性的，因此任务的实际范围是学习，因此还考虑了不完美的解决方案。
我想要检测图像中的球并 居然有球的位置
【问题讨论】：
标签： image-processing machine-learning neural-network image-recognition backpropagation
这是一个不错的 URL，您可以阅读有关解决类似任务（使用 DNN 定位图像中的面部关键点）的信息：http://danielnouri.org/notes/2014/12/17/using-convolutional-neural-nets-to-detect-facial-keypoints-tutorial/
长话短说： 1）这是一个回归任务。您需要创建和训练 ANN，它将输出您感兴趣的对象的 x,y 坐标 2) 你需要使用卷积神经网络来实现它——它们极大地提高了处理图像的效率
【讨论】：
通常，不需要使用对象的颜色进行检测，这只会增加额外的复杂性。这就是为什么通常灰度图像基本上用于对象的检测/分类。
您可以使用deep reinforcement learning 方法来训练人工神经元网络 (ANN)，并结合传统和全连接 ANN 的检测和对象。
作为替代方案，我可以建议您使用扫描带有矩形的图像，然后您不仅可以检测到矩形的位置。
此外，您还可以使用其他一些方法来训练 ANN，例如 method，我目前正在使用它来进行织物缺陷检测任务，并且已经通过人脸识别任务进行了测试
事实上，方法的组合比使用单一方法的结果更好。
在我的情况下，通过使用上述两种方法（ANN 集群和具有重叠的扫描窗口）进行结构错误检测的任务，它给了我 0.1024% 的错误检测概率和 15% 的错误检测概率检测整个图像的错误。
并且通过与Gaussian filter的组合使用，此外，我们达到了小于0.0324%的误检概率和小于5%的误检概率，性能提升了10倍以上。
这是一篇文章的link，其中详细描述了我用于结构错误检测的方法
【讨论】：