Как автоматически определить особенности машинного обучения?

Question

Я должен определить количество морских слонов на изображении. Исходное изображение слишком велико для загрузки, поэтому есть пример: Морские слоны

Классическая техника обработки изображений не может быть использована, поскольку животные и песок имеют немного одинаковый цвет. Мы бы сегментировали тени или текстуры, но не печати. Вот почему я хотел проверить машинное обучение.

Цель состоит в том, чтобы вручную определить некоторые области интереса, представляющие тюленей, а другие - для песка, чтобы распознать других животных на изображении. Проблема в том, что я не знаю, какую функцию я могу использовать для описания тюленей и отличить их от песка.

Локальные гистограммы и их статистика (в частности, среднее значение и стандартное отклонение) кажутся интересными, но недостаточно. Я думал об использовании градиента изображения, но это не привело к хорошей дискриминации. Более того, я думаю, что комбинация нескольких функций должна быть использована, но трудно сказать, какие из них.

Вот почему мне интересно, был ли способ автоматически определять дискриминационные признаки, чтобы использовать их на этапе обучения и прогнозирования алгоритма машинного обучения.

В каждом найденном мной тексте дескрипторы уже определены.

У вас есть какие-либо подсказки?

Answer 1

Я должен определить количество морских слонов на изображении. .. какая-нибудь подсказка?

Ну,
" классика " ML-функций ( per se ) здесь недостаточно:

Это обычная ситуация для распознавания интеллектуальных объектов, которая должна обеспечивать разумную устойчивость, прежде чем любой отсчет начнет иметь смысл.

В качестве примера, методы CNN разворачивают (обычно глубокие) архитектуры предварительной обработки со специализированными ядрами, которые сначала помогают разложить 2D-сцену на предварительные курсоры, а затем могут помочь фактическому обучающемуся на основе ML ( полностью подключенный «хвостовой» участок трубопровода) для начала обучения распознаванию объектов.

Без этих (глубоких или неглубоких) сверточных слоев и многих там применялись приемы транскодирования и объединения, которые повторно растеризовывают сцену с нелинейно преобразованными совмещенными новыми, производимыми ядром «визуальными» функциями, предварительно обрабатывая эти auto -synthetised- показывает для (пока) более глубоких слоев фактического обучающегося по ML. Об этом опубликовано много статей, так что вы действительно рады иметь общедоступные источники для работы.