TensorFlow、Keras：测试图像大于训练图像

Question

我已经训练了一个网络来检测 14x14 像素灰度图像中的“气泡”。我用包含气泡的图像和不包含气泡的图像训练了网络。网络运行良好。

现在，我有一个带有很多气泡的大图像（我从这个大图像生成了训练数据）1。

我希望网络使用 14x14 内核扫描大图像以检测气泡的位置。我该怎么做？

下面是我的网络：

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(14, 14)),
    keras.layers.Dense(128, activation=tf.nn.relu),
    keras.layers.Dense(64, activation=tf.nn.relu),
    keras.layers.Dense(32, activation=tf.nn.relu),
    keras.layers.Dense(16, activation=tf.nn.relu),
    keras.layers.Dense(8, activation=tf.nn.relu),
    keras.layers.Dense(2, activation=tf.nn.softmax)
])
model.compile(optimizer=tf.train.AdamOptimizer(), 
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

Answer 1

我认为您无法使用您正在使用的架构检测气泡的位置。您必须使您的案例适应 YOLO 之类的算法：https://medium.com/@jonathan_hui/real-time-object-detection-with-yolo-yolov2-28b1b93e2088。然后，您的输出将包含一个指示特定区域中是否存在气泡的单位，以及一组定义气泡坐标的单位。