4

Ich habe versucht, eine convolution neural network für die Erkennung von Tieren, Fahrzeugen, Gebäuden, Bäumen, Pflanzen aus einem großen Datensatz mit der Kombination dieser Objekte zu erstellen.Art der Erkennung von Faltung neuronales Netzwerk

Zum Zeitpunkt des Trainings hatte ich Zweifel, wie das Netzwerk trainiert werden sollte. Mein Zweifel ist, ob ich das Netzwerk mit dem Datensatz von ganzen Tieren als ein einzelnes Attribut ausbilden oder jedes Tier einzeln ausbilden könnte?

Mittel, eine Gruppe für Löwen, eins für Tiger, eins für Elefanten usw. und zum Zeitpunkt des Testens kann ich es kodieren, um das Ergebnis als Tier auszugeben, wenn eines seiner Unterkategorie erfüllt ist.

Ich habe diesen Zweifel, seit ich gelesen habe, dass es ein korrektes Muster im Datensatz für die effiziente Erkennung geben sollte und es sollte nur dann ein Muster geben, wenn wir mit der Unterkategorie von Objekten als dem riesigen Datensatz trainieren .

Ich habe eine Abbildung angehängt, die den Beispieldatensatz zeigt (nur logisch korrekt). Ich möchte wissen, ob es einen separaten Datensatz oder einen einzelnen Datensatz geben sollte.

sample image

+0

Die Antwort hängt vollständig von Ihrem Anwendungsfall ab - planen Sie, nur ein generisches Etikett wie "Tier" oder Etiketten wie "Löwe"/"Tiger" zu identifizieren. Dies gilt für jeden Algorithmus, den Sie für dieses Problem anwenden, d. H. Die Verwendung von CNN macht hier keinen Unterschied. – shekkizh

+0

Es bedeutet, dass das neuronale Faltungsnetzwerk die Ähnlichkeiten in dem Datensatz herausfinden kann (selbst wenn sie minimale Ähnlichkeit haben) und neue Daten erkennen könnte, die zum Testen kommen, nicht wahr? –

+1

Ja. CNN wird in der Lage sein, High-Level-Funktionen zu finden, die die Klassen mit genügend Daten und entsprechendem Training identifizieren können - Sie möchten Ihr Netzwerk so definieren, dass es sich gut verallgemeinern lässt. – shekkizh

Antwort

2

Training auf einem separaten Datensatz oder eine einzelne Datensatz wird von einer Vielzahl von Faktoren ab. Wenn Sie die Bilder in Ihrem Testdatensatz mithilfe des Convolution Neural Network nur in Tiere einteilen und nicht weiter unterteilen möchten, sollten Sie eine Schulung für einzelne Daten durchführen. Wenn Sie jedoch beabsichtigen, die Bilder weiter in Tiger und Löwen zu unterteilen, dann muss das Training in separaten Tigers und Löwen-Datasets durchgeführt werden.

Der Typ des Datensatzes, den Sie für das Training verwenden, hängt stark von Ihren Anforderungen für die Klassifizierung im Testdatensatz ab.

Darüber hinaus müssen Sie sicherstellen, dass Sie die Bilder normalisieren, bevor Sie es für das Training verwenden.

+0

Danke Aditya. Ich habe die Antwort für meine Zweifel. Also habe ich in meinem "Tier" -Datensatz 100 Löwen, 100 Tiger und 100 Elefanten angenommen. Es wird trainiert und wann immer ein neuer Löwe oder Tiger oder Elefant kommt, kann mein Netzwerk es als "Tier" identifizieren, nicht wahr? Ich möchte sie nicht getrennt voneinander erkennen, ich muss sie als "Tiere" einstufen. –

+0

Willkommen Arun. Ja, absolut, die Testdaten können als Tier identifiziert werden, vorausgesetzt, das Klassenschild, das Sie beim Training von Löwen, Tigern und Elefanten angeben, ist ein Tier. Ich habe vorher mit einem ähnlichen Problem gearbeitet, wo ich mein Netzwerk auf verschiedene Arten von Sounds des gleichen Typs trainierte. B. verschiedene Arten von Pfeifen, die alle als Pfeifen gekennzeichnet sind. usw. – aditya

+0

ok .... danke noch einmal .. :-) –