Автоматическое обнаружение флоры в изображениях [закрыто]

Мой набор данных изображений получен из http://www.image-net.org . Существуют различные синтаксисы для разных вещей, таких как флора, фауна, люди и т. Д.
Я должен обучить классификатор, который предсказывает 1, если изображение принадлежит цветочному синтаксису и 0, в противном случае.
Изображения, относящиеся к цветочному синтаксису, можно посмотреть по адресу http://www.image-net.org/explore, нажав на растение, флора, вариант жизни растений в левой панели.

Эти изображения включают большое разнообразие флоры - например, деревья, травы, кустарники, цветы и т. д. Я не могу понять, какие функции использовать для обучения классификатора. На этих изображениях много зелени, но есть много цветочных изображений, которые не имеют большой зеленой составляющей. Еще одна особенность - форма листьев и лепестков.

Было бы полезно, если бы кто-нибудь мог предложить, как извлечь эту особенность формы и использовать ее для обучения классификатора. Также предложите, какие другие функции можно использовать для обучения классификатора.
И после извлечения признаков, какой алгоритм должен использоваться для обучения классификатора?

4 голоса | спросил gourav 18 +04002012-10-18T16:17:09+04:00312012bEurope/MoscowThu, 18 Oct 2012 16:17:09 +0400 2012, 16:17:09

2 ответа


0

Не уверен, что информация о форме является подходом для набора данных, с которым вы связались.

Просто бегло взглянув на некоторые изображения, у меня есть несколько предложений по классификации:

  1. Природные сцены редко имеют прямые линии - обнаружение линий
  2. Вы можете сбрасывать со счетов сцены, в которых присутствуют "неестественные" цвета.
  3. Если вы хотите попробовать что-то более продвинутое, я бы предложил, чтобы гибрид энтропии /распознавания образов был хорошим классификатором, поскольку в естественных сценах есть много и того, и другого.
  4. Попытка сопоставления с шаблоном /формы для листьев /лепестков разобьет ваше сердце - вам нужно использовать нечто более обобщенное.

Что касается того, какой классификатор использовать ... Обычно я бы посоветовал сначала K-means и, как только у вас появятся какие-либо результаты, определите, стоит ли дополнительных усилий по внедрению Байеса или нейронной сети.

Надеюсь, это поможет.

Т.

Expanded:

«Неестественные цвета» могут быть очень насыщенными цветами за пределами царства зеленых и коричневых цветов. Они хороши для обнаружения природных сцен, поскольку в зеленом /коричневом спектре должно быть ~ 50% сцены, даже если цветок находится в его центре.

Кроме того, обнаружение прямой линии должно дать мало результатов в природных сценах, поскольку прямые края редки по своей природе. На базовом уровне создайте изображение края, установите его в Порог, а затем найдите сегменты линии (пиксели, которые приблизительно соответствуют прямой линии).

Энтропия требует определенных знаний машинного зрения. Вы подходите к сцене, определяя локализованные энтропии, а затем гистограммируя результаты здесь - аналогичный подход, который вам придется использовать.

Вы хотели бы стать продвинутым в Machine Vision, если хотите попробовать распознавание образов, поскольку это сложный вопрос, а не тот, который вы можете использовать в примере кода. Я попытался бы реализовать их в качестве классификатора только после исчерпания информации о цвете и краях (линиях).

Если это коммерческое приложение, необходимо проконсультироваться с экспертом MV. Если это задание колледжа (если это не дипломная работа), информации о цвете и краях /линиях должно быть более чем достаточно.

ответил Totero 18 +04002012-10-18T16:52:53+04:00312012bEurope/MoscowThu, 18 Oct 2012 16:52:53 +0400 2012, 16:52:53
0

HOOG , по-моему, фактически является стандартом де-факто для решения подобных проблем. , Они немного вовлечены в вычисления (и я не знаю, в какой среде вы работаете), но мощные.

Более простое решение, которое может заставить вас работать, в зависимости от того, насколько сложен набор данных, состоит в том, чтобы извлечь все перекрывающиеся патчи из изображений, сгруппировать их с помощью k-средних (или как вам нравится), а затем представить изображение как распределение по этому набору квантованных патчей для контролируемого классификатора, такого как SVM. Вы будете удивлены, как часто что-то подобное работает, и это должно, по крайней мере, обеспечить конкурентоспособную основу.

ответил Ben Allison 18 +04002012-10-18T17:45:50+04:00312012bEurope/MoscowThu, 18 Oct 2012 17:45:50 +0400 2012, 17:45:50

Похожие вопросы

Популярные теги

security × 330linux × 316macos × 2827 × 268performance × 244command-line × 241sql-server × 235joomla-3.x × 222java × 189c++ × 186windows × 180cisco × 168bash × 158c# × 142gmail × 139arduino-uno × 139javascript × 134ssh × 133seo × 132mysql × 132