У меня есть набор данных со статистическими значениями и объективными показателями качества изображения (все значения находятся в диапазоне от 0 до 1).Эти значения взяты из изображений, полученных с помощью смешивания лапласовой пирамиды, в виде слитой результирующей формы под и переэкспонированных пар изображений.Набор данных содержит значения из 4 результирующих изображений каждой пары (100 пар в общем наборе данных), выбранных из более высоких уровней разложения с наилучшим качеством.На этом изображении выводится 1 с наилучшим воспринимаемым качеством, выбранным MOS из людей, собранных из опроса (остальные 3 голоса равны 0).
Вся идея этого заключается в обучении модели, которая может оценитьУровень (соответственно, какой рисунок) лапласовой пирамиды является «лучшим» результатом изображения от разложения.
Мой вопрос здесь,
Как мне обучить классификатор, потому что вывод 1 для лучшего изображения в этой группе выходных изображений из той же пары (подвергнутый пере / мину) не имееттот же «вес» (или значение), что и в другой паре, который связан с изображениями из той же группы?
Например,
Входные изображения = [Im1, Im2, Im3, Im4, Im5, Im6, Im7, Im8 ...] Вывод = [0, 0, 1, 0, 0, 0, 0, 1 ...]
Изображения: Im1, Im2, Im3, Im4 объединены в результате из пары 1, а изображение Im3 - лучшее изображение, выбранное людьми с MOS.Для пары 2 это Im8 (или, что эквивалентно, 4-е изображение)
Должен ли я разделить изображения на группы как пары и подгонять 100 раз, например:
Group1 = [Im1, Im2, Im3, Im4]-> Output1 = [0, 0, 1, 0]
Group2 = [Im5, Im6, Im7, Im8] -> Output2 = [0, 0, 0, 1]
... и т. д.
, а затем:
clf.fit (Group1, Output1) clf.fit (Group2, Output2)
... и т. д.или я должен использовать partal_fit для того же самого?
Любая другая более разумная идея и совет?