neural-network - 用于多种模式识别的神经网络输出层

Question

假设我有一种方法或其他神经网络可以正确地对图像进行模式检测。我应该如何设计一个图像中有多个模式的神经网络？

假设在图像中要检测 X 个模式，那么最好的方法是什么？AFAIK 输出层神经元值应为 [-1,1]。我怎么知道是否有 X 数量的模式被识别？这是否意味着我必须对它可以识别的模式数量设置硬编码限制（因为输出神经元的数量是固定的）？

Answer 1

为此，请使用 hopfild net.at 首先在相同的窗口中提取您的目标并保存在您的网络中。然后在您的图像中进行简单的算法搜索，并随时将网络的模拟与您的目标进行比较，对于任何目标，使用单独的数组来保存结果。最后在每个数组中提取最近的模式。您可以使用一些图像在开始之前处理您的原始图像。

Answer 2

这是一个以人脸检测为例的建议。Github 上的这个人脸检测链接被描述为使用 Haar 分类器检测多重模式（即人脸）。如果您在“实施”部分阅读，它会说明该算法使用scaleOption和templateSizeOption参数（以及其他）来控制在图像中检测到多少人脸。听起来您应该在给定图像的子空间或窗口中寻找特征（甚至可能是重叠的空间）。

scaleOption - 此参数用于指定用于人脸检测的 haar 特征将被缩放的速率。较低比例选项意味着将检测到更多人脸，而较高比例选项将执行更快的检测，但可能会从输入图像中遗漏一些人脸。默认比例值为 1.1，这决定了每一步的特征维度增加 10%。

templateSizeOption – 用于指定搜索人脸的最小区域。如果我们想从特写图像中检测人，大小应该在 40 像素以上，否则 25 区域像素（这是默认值）足以检测大量人脸。

Answer 3

是的，这可以通过神经网络来完成。我认为最实用的解决方案将涉及将神经网络应用于扫描图像的窗口。来自神经网络的多次命中意味着图像中有多个目标对象。

顺便说一下，神经网络不必位于 -1 .. 1 范围内。