pattern-recognition

    0热度

    1回答

    我希望能够自动将输入散点图分类为有限的预定义的一组二维散点图(请参阅附加图像),例如圆,十字,直线和弯曲线 - 例如即给定任何新的散点图作为输入,系统可以通过查找最接近的类别匹配来对其进行正确分类。 理想情况下,分类过程也应该是规模,平移和旋转不变。 任何人都可以提出一个合适的技术来训练和分类这种二维图案吗?

    1热度

    2回答

    我已经训练并测试了一个前馈神经网络,它使用Python中的Keras和数据集。但每次,为了识别带有外部数据的新测试集(外部因为数据未包含在数据集内),我必须重新训练前馈神经网络来计算测试集。比如每次我必须做的: model.fit (data, output_data) prediction=model.predict_classes(new_test) print "Prediction :

    0热度

    1回答

    我对预测算法有这样的想法,该预测算法基于来自被选集合中的项目的先前出现的序列的准确度来预测随机值,并分析该模式以提高准确度。 所以基本上一个接受两个参数的算法,一个是一组可能的选择;另一个是这些数字的历史,分析该模式并预测序列中的下一个数字。 这对其他人有意义吗? 如果是这样,那么您将如何编写这样的算法? 你会说什么语言? 目标是重叠样本集中的模式识别,找到相关性并建立一个方程来预测某种程度的准确

    1热度

    2回答

    假设我有数千个具有不同形式和尺寸(小于100×100px)的图像的数据库,并且保证每个图像只显示一个对象 - 符号,标志,道路标志,等等。我希望能够从互联网上获取任何图像(“my_image.jpg”),并从我的数据库中回答“Do my_image包含任何对象(对象可以调整大小,但没有变形)的问题吗?” - 让我们说95%的可靠性。简化my_images将有白色背景。 我试图使用imagehash

    0热度

    2回答

    我需要一个学习模型,当我们测试它与数据样本它说哪些列车数据导致答案。 有什么这样做吗? (我已经知道了KNN会这么做) 感谢

    0热度

    2回答

    我正在学习模式识别,所以我制作了两类数据并使用我的模型进行分隔。 我的数据只能假设两个值,true和false。 用于绘制我的结果我使用了confusionMatrix,当我解释结果时会发生疑问。 可confusionMatrix给我一个错误的准确性?例如: 我有10个itens,5个true和5个false,我的分类器预测8个正确和2个错误,所以错误1应该是true,并且被分类为false,其他

    0热度

    1回答

    结构如下考虑一个数据库: <Age> <Gender> <Field1> <Field2> <Field3> <Field4> <Field#> 其中的每一行,一些领域可能为零,另一些则不会,代表的时间从个体量使用这样的字段 - 可以为每一行使用多个字段。 例如,考虑DB的存在: 10 M 10 0 5 0 1 5 M 7 1 6 0 2 10 M 6 1 4 1 0 .... 所以

    -1热度

    1回答

    我的应用场景类似于前一个Pattern recognition in time series 通过处理时间序列数据集,我想检测类似于这样的模式: 使用采样的时间序列作为一个例子,我想能够检测模式如下标注: 但我想Python和LSTM做到这一点。 我已阅读了关于RNN时间序列和词类分类的一些资料。我知道RNN如何预测时间序列的结果,但我很困惑如何在时间序列中找到模式。 我在网上搜索了很长时间。但没

    0热度

    1回答

    我有一个基于CNN的物体检测器在WIDER Face数据集上进行了训练。它可以成功检测给定图像中的人脸。 现在,我试图在云,房屋等中检测抽象的面孔和简约的脸型,但没有成功。最初,我认为基于神经网络的物体检测器会以某种方式推广,并且我可以降低检测阈值来检测这种模式,但是这种方案并不奏效。 除了收集和标注这样的训练样例(面部样式)来解决这个问题之外,还有其他方法吗?

    2热度

    1回答

    假设我们有许多彩色图像是一些纹理图案的例子。这种纹理被某些外来物体“破坏”的情况很少见。检测这些罕见异常的最佳方法是什么? 我想过培训CNN,但好例子的数量远远超过了坏例子,所以我有我的疑惑。我开始研究灰度共生矩阵(GLCM)和局部二元模式(LBP),但我认为颜色信息可以在确定中断发生中起重要作用。我能否从这些提取的特征(GLCM或LBP)中找到分布并计算新图像属于此分布的概率? 感谢您的帮助!