4 年前我发布了this question 并得到了一些不幸超出我技能水平的答案。我刚刚参加了一个构建巡回会议，他们谈到了机器学习，这让我想到了使用 ML 作为我的问题的解决方案的可能性。我在 azure 网站上找到了this，但我认为它对我没有帮助，因为它的范围很窄。
这是我想要实现的目标：
我有一个源图像：
我想在上面的图片中包含以下符号之一（如果有的话）：
比较需要支持轻微的失真、缩放、颜色差异、旋转和亮度差异。
要匹配的符号数量最终将至少大于 100。
机器学习是解决这个问题的好工具吗？如果有，有什么入门技巧吗？
【问题讨论】：
标签： opencv azure image-processing machine-learning azure-machine-learning-studio
据我所知，Project Oxford (MS Azure CV API) 不适合您的任务。他们的 API 非常专注于人脸相关的任务（检测、验证等）、OCR 和图像描述。显然，您无法扩展他们的模型或从现有模型训练新模型。
但是，即使我不知道针对您的对象检测问题的开箱即用解决方案；您可以尝试一些足够简单的方法，这些方法会给您一些起点结果。
例如，您可以使用以下简单的方法：
1) 创建数据集： 这可能是更乏味的一步，但矛盾的是，这是至关重要的一步。我会假设你有大量的图像可以使用。你需要做的是选择一个固定的窗口大小并提取正面和负面的例子。
如果您的数据集中的某些图像大小不同，您需要将它们重新缩放为通用大小。您不需要对尺寸过于疯狂，可能 30x30 的图像就足够了。为了让事情变得更容易，我也会将图像转换为灰度。
2) 选择一个分类算法并对其进行训练： 那里有大量的分类算法。但如果你是机器学习的新手，我会选择我最了解的一个。记住这一点，我会检查逻辑回归，它给出了不错的结果，对于初学者来说很容易，并且有很多库和教程。例如，this one 或 this one。一开始我会说专注于二分类问题（比如图片中是否有 UD 标志），当你掌握了这个问题后，你可以跳转到多分类案例。有too 的资源，或者您始终可以为每个徽标提供多个模型，并为每个模型单独运行此配方。
要训练您的模型，您只需读取步骤 1 中生成的图像并将它们转换为向量并相应地标记它们。那将是为您的模型提供数据的数据集。如果您使用灰度图像，则向量中的每个位置将对应于 0-255 范围内的像素值。根据算法，您可能需要将这些值重新调整到 [0-1] 范围内（这是因为某些算法在该范围内的值表现更好）。请注意，在这种情况下重新调整范围相当容易（new_value = value/255）。
您还需要拆分数据集，保留一些示例用于训练，一个子集用于验证，另一个用于测试。同样，有不同的方法可以做到这一点，但我尽量保持这个答案很幼稚。
3) 执行检测： 所以现在让我们开始有趣的部分。给定任何您想要运行模型并在有徽标的图片中生成坐标的图像。有不同的方法可以做到这一点，我将描述一种可能不是最好的也不是更有效的，但在我看来它更容易开发。
您将扫描图片，在“窗口”中提取像素，将这些像素重新缩放为您在步骤 1 中选择的大小，然后将它们提供给您的模型。
如果模型给你一个肯定的答案，那么你在原始图像中标记那个窗口。由于徽标可能以不同的比例出现，您需要使用不同的窗口大小重复此过程。您还需要调整窗口之间的空间量。
4) 冲洗并重复： 在第一次迭代中，您很可能会得到很多误报。然后你需要把这些作为负面例子并重新训练你的模型。这将是一个迭代过程，希望在每次迭代中，您的误报和漏报都会越来越少。
一旦您对自己的解决方案感到相当满意，您可能想要改进它。您可能想尝试其他分类算法，例如SVM 或Deep Learning Artificial Neural Networks，或者尝试更好的对象检测框架，例如Viola-Jones。此外，您可能需要使用crossvalidation 来比较您的所有解决方案（您实际上可以从一开始就使用交叉验证）。到现在为止，我敢打赌，您将有足够的信心使用 OpenCV 或其他现成的框架，在这种情况下，您将对幕后发生的事情有一个公平的了解。
您也可以忽略所有这些答案，然后去学习像 one 这样的 OpenCV 对象检测教程。或者从像one 这样的另一个问题中得到另一个答案。祝你好运！
【讨论】：