Маркировка гоночных автомобилей

Question

Я работаю над системой, которая упростит нашу библиотеку изображений, которая растет от 7 до 20 тысяч новых изображений в неделю. Конкретное приложение определяет, какие гоночные машины изображены на картинках (все машины имеют одинаковую форму с разными схемами окраски). Я планирую использовать python и tensflow для этой части проекта.

Моя первоначальная мысль заключалась в том, чтобы использовать классификацию изображений для классификации изображений по автомобилям; Тем не менее, существует очень высокая вероятность того, что картина содержит несколько автомобилей. Моя следующая мысль - использовать обнаружение объектов для определения номеров автомобилей (присутствующих в фиксированном месте на всех автомобилях [нос, хвост, обе двери и крыша] и последовательного шрифта неделя за неделей). Наконец, существует подход к распознаванию объектов всей машины. Это, на первый взгляд, кажется наиболее практичным; однако схемы окраски меняются настолько, что этого не может быть.

Какой подход даст мне лучшие результаты? Я вытащил большое количество изображений для обучения, и, очевидно, разные методы требуют очень разных наборов обучающих данных.

Answer 1

Лучший подход - использовать все 3 метода в качестве ансамбля. Вы тренируете все 3 из этих моделей и передаете входное изображение всем 3 из них. Тогда есть несколько способов, как вы можете оценить выход.

1. Вы можете суммировать вероятности для всех классов для всех 3 моделей и затем сделать вывод на основе наибольшей вероятности.

2. Вы можете получить прогноз от каждой модели и принять решение на основе количества голосов: 1. модель - класс1, 2. модель - класс2, 3. модель - класс2 ==> класс2

3. Вы можете сделать что-то вроде взвешенного принятия решения. Итак, допустим, что первая модель самая лучшая и самая надежная, но вы не доверяете ей на 100% и хотите посмотреть, что скажут другие модели. Чем вы можете взвесить выход первой модели с 0,6, а выход двух других моделей с весом 0,2.

Надеюсь, это поможет:)