图像质量机器学习答案

【问题标题】：Image Quality ML图像质量机器学习
【发布时间】：2019-02-22 21:24:14
【问题描述】：

是否可以编写一个程序来确定图像质量是否差（饱和度暗淡等）。更具体地说，我想比较食物的好照片和坏照片。我有一个包含好照片和坏照片的大型数据库，但对机器学习的经验却很少。我正在尝试做的甚至可能/可行吗？如果是这样，我该如何开始？

【问题讨论】：

标签： python machine-learning artificial-intelligence

【解决方案1】：

我猜你可以创建神经网络，它可以根据饱和度、暗度等特征对图像的质量进行分类通过使用卷积层和全连接层。

要对图像进行分类，您需要创建分成标签的图像数据集
比如饱和度好的图片，饱和度不好的图片，昏暗的好图片，昏暗的不好的图片

这个问题称为图像分类。因此，您可以搜索有关如何使用该关键字执行此操作的更多信息。

给图片打标签的方式是可以像这样创建目录

train
  saturation_good_images
  saturation_bad_images
  dimness_good_images
  dimness_bad_images
test
  saturation_good_images
  saturation_bad_images
  dimness_good_images
  dimness_bad_images

并将适当的图像放入每个目录。

您可以使用 PyTorch 深度学习框架的 DataSet 类和 DataLoader 类轻松完成此标记。

【讨论】：

【解决方案2】：

我计划通过使用 Keras 并执行 transfer learning with a pretrained model 来构建类似的。使用这种方法，您不需要像通常训练该深度神经网络那样多的训练数据。

在深入研究神经网络之前，首先建立一个基线模型通常是个好主意。我建议只使用scikit-learn 中的一些基本方法。

【讨论】：

这似乎回答了有关深度学习的任何问题。迁移学习如何帮助这项任务？他应该在 scikit-learn 中使用什么，为什么？
好吧，就像在迁移学习的任何其他应用中一样，目标是生成一些比仅使用原始像素值更好的特征。我没有尝试过，所以我不知道它是否适用于这项任务，但这正是我打算做的。 scikit-learn 的超链接是使用 CIFAR-10 的教程。使用与我能想到的最简单的图像分类器相同的方法，因此是合适的基线模型。