我正在使用 OpenCV 学习模式识别并想实现一个分类器。
据我了解，通常的方法是对所有输入值实施神经网络评估并输出决策。现在，我担心学习神经网络会超出我的智力，我正在寻找一种更简单的方法。
我的问题是，是否可以创建输入值的直方图，其中 X 是要素类，Y 是它的值，并使用简单的直方图比较做出决定？（我不是说像颜色直方图。）
有人已经应用了这种方法吗？如果是这样，结果的准确性如何？
谢谢你的任何提示。
问问题
244 次
1 回答
2
您提出的确实与单层神经网络（单层感知器/线性分类器）非常相似。假设您的图像中有 N 个特征。然后，您的神经网络将有 N 个输入，其中输入的值可以是特征出现的次数或特征的值/强度。
如果您只有两个类 A 和 B，您将有一个输出节点。每个输入都通过权重连接到输出。然后输出是所有加权输出的总和。如果输出高于某个阈值，您的数据可以分类为 A 类，否则为 B 类。为了正确分类您的数据，您必须修改网络中的权重（这称为“训练”）。
如果你想要更多的类，你可以添加更多的输出节点。但是，您将遇到某些数据可以分类为多个类别的情况。此外，您的网络将始终是线性函数逼近器。通过在两者之间添加一层，您的网络将变得更加强大！
基本的神经网络很容易。我建议您花更多时间在 Wikipedia 上阅读有关它的信息。
于 2012-11-18T23:01:02.547 回答