आप सर्फ सुविधाओं का उपयोग करते हैं, तो thats एक नाव वेक्टर [128] या [64] आप सर्फ विन्यास के आधार पर आप तंत्रिका शुद्ध स्थापित किया जाएगा का पालन के रूप में
बनाएँ मॉडल के साथ एक डेटा बेस सेट मतलब है:
-bikes
-cars
-autobus
-truck
लो diferents diferents के 10 फोटो मॉडल बंद कारों, diferents के 10 फोटो मॉडल बंद बाइक विभिन्न मॉडल बंद ट्रक ... आदि के 10 तस्वीरों वस्तुओं की तरह प्रत्येक प्रकार के फोटो, प्रत्येक वस्तु के बंद प्रत्येक तस्वीर के लिए कक्षा अपने सर्फ फीचर वैक्टर निकालें।
-प्रत्येक प्रकार का ऑब्जेक्ट इस तरह तंत्रिका-नेट में ऑब्जेक्ट की एक ऑफ क्लास का प्रतिनिधित्व करेगा;
-car ;object class 1 =binary representaation in 4 bits= 0 0 0 1
-bikes ;obejct class 2 =binary representaation in 4 bits= 0 0 1 0
-truck ;obejct class 3 =binary representaation in 4 bits= 0 0 1 1
-ball ;obejct class 4 =binary representaation in 4 bits= 0 1 0 0
द्विआधारी repesentacion में -Each बिट नेटवर्क के उत्पादन में परत में एक न्यूरॉन के अनुरूप की जाएगी और वस्तु के एक वर्ग का प्रतिनिधित्व मान्यता प्राप्त होना
अब तंत्रिका नेटवर्क के विन्यास पर आधारित होगा फीचर वेक्टर का आकार और उस ऑब्जेक्ट के प्रकार की संख्या जिसे आप इस तरह पहचानना चाहते हैं;
इनपुट परत में nuerons की संख्या; 64 या 128 आकार बंद सर्फ फीचर वेक्टर के आधार पर है कि आप विन्यस्त और इस्तेमाल किया
तंत्रिका-जाल में उत्पादन परत में nuerons की संख्या हो जाएगा ऑब्जेक्ट्स की कक्षाओं की संख्या जिन्हें आप इस उदाहरण में पहचानना चाहते हैं 4
प्रत्येक न्यूरॉन के लिए सक्रियण फ़ंक्शन नेसिसरी सिग्मोइड या तन फ़ंक्शन (http://www.learnartificialneuralnetworks.com/) है, यदि सर्क फीचर्स फ्लोट नंबरों द्वारा दर्शाए जाते हैं, तो यदि आप फ्रीक भ्रूण का उपयोग करते हैं या एक और बाइनरी स्थानीय फीचर डिस्क्रिप्टर (ब्रिस्क, ओआरबी, ब्रफ) तो आप प्रत्येक न्यूरॉन जैसे बाएं फंक्शन ओ सिग मजेदार के लिए एक बाइनरी सक्रियण समारोह का उपयोग करेंगे ction
नेटवर्क को प्रशिक्षित करने के लिए प्रयोग किया जाता एल्गोरिथ्म backpropagation
इससे पहले कि आप सेट की जरूरत जारी रखने के लिए और डेटा इस उदाहरण आप के लिए तंत्रिका नेटवर्क को प्रशिक्षित करने के
उदाहरण
-all feature vector extracted from picture belong a car will be label or asociated to class 1
-all feature vector extracted from picture belong a bike will be label or asociated to class 2
-all feature vector extracted from picture belong a truk will be label or asociated to class 3
-all feature vector extracted from picture belong a ball will be label or asociated to class 4
सेट तैयार है इनपुट-लेयर में आउट-पुट लेयर और 128 0 आर 64 न्यूरॉन्स में 4 न्यूरॉन्स होंगे।
- मान्यता मोड में तंत्रिका नेट का उत्पादन न्यूरॉन होगा जिसमें इस 4 nuerons का सबसे अधिक मूल्य है।
प्रशिक्षण चरण शुरू करने से पहले, डेटा सेट में सभी सुविधाओं के अंतराल [0,1] में अपने necesarry सामान्यीकरण का उपयोग करें, क्योंकि तंत्रिका नेट का आउट-पुट संभावना है जिसमें इनपुट वेक्टर संबंधित है डेटा सेट में ऑब्जेक्ट का एक वर्ग।जब इसकी 85-90%
के पास है recognittion दर
-70% off the data used to train
-15% off the data used to validate the network arquitecture (number of neurons in the hidden layyer)
-15% off the data used to test the final network
जब तंत्रिका नेटवर्क प्रशिक्षण, रोकने की कसौटी है,:
डाटा नेटवर्क को प्रशिक्षित करने के लिए सेट के रूप में पालन के विभाजित होने का है
तंत्रिका नेट का उपयोग क्यों करें और एसवीएम मशीनों का उपयोग न करें, एसवीएम मशीन ठीक काम करती हैं, लेकिन यह इस तरह की रैखिक वर्गीकरण समस्याओं में सबसे अच्छा अलगाव वर्ग मानचित्र नहीं बना सकता है या जब आपके पास कक्षाओं या वस्तुओं के प्रकारों की वस्तुएं होती हैं, तो इसकी कमी मान्यता चरण चरण
में अपर्याप्त है
मैं सिफारिश आप तंत्रिका नेटवर्क सिद्धांत के बारे में कुछ पढ़ा समझने के लिए वे कैसे काम करते
http://link.springer.com/chapter/10.1007%2F11578079_10
opencv तंत्रिका जाल पर मशीन लर्निंग वर्ग MLP मॉड्यूल
उम्मीद है यह आप
मुझे समझाने के लिए धन्यवाद कि मैं ऑब्जेक्ट रिकग्निशन के लिए तंत्रिका नेटवर्क का उपयोग कैसे कर सकता हूं। हालांकि, मेरे परिदृश्य में समान ऑब्जेक्ट्स से निपटना पड़ सकता है जो एक-दूसरे के करीब हैं (उदाहरण के लिए एक दूसरे के साथ दो करियां)। मुझे अलग-अलग पहचानने में सक्षम होना चाहिए। क्या कोई तरीका है कि तंत्रिका नेटवर्क इस से मेरी मदद कर सकता है? मुझे लगता है कि आपने जिस तकनीक का उल्लेख किया है उसका उपयोग करने से मुझे वाहनों को पहचानने की अनुमति मिल जाएगी, लेकिन उन्हें अलग-अलग अलग नहीं किया जाएगा (दो टैक्सियों के चारों ओर एक आयत खींचने की तरह) –