3D-координатная регрессия точек

Question

У меня есть 30 наборов трехмерных точек, которые являются ключевыми, описывающими 30 объектов, каждый набор содержит 10 точек, эти точки обозначены как X с формой [30,10,3].У меня также есть соответствующие 3D-точки 30 объектов после определенного преобразования, обозначенные как Y с формой [30,10,3].

Теперь я хочу обучить модель машинного обучения из этих 30 объектов, используя X и Y в качестве данных и аннотации, и предсказать координаты ключевых точек нового объекта после преобразования.

У кого угодно естьидеи как это сделать с питоном?

Answer 1

30 наборов кажутся слишком низкими для задачи, так как вход и выход имеют слишком много измерений (30).Если вам необходимо отобразить эти высокоразмерные данные, вам понадобятся тысячи примеров (больше наборов).

Я бы предложил смоделировать преобразования для генерации нескольких тысяч выборок.Затем используйте небольшую нейронную сеть, чтобы предсказать Y по X. Поскольку входные данные не имеют пространственных или временных измерений, вместо этого представляют дискретные точки, я не думаю, что сверточные или рекуррентные модели будут полезны.

Итак,начать с малого MLP со средним квадратом потери ошибок.Однако, если выходные точки всегда целочисленные, вы можете смоделировать их как проблему классификации, учитывая, что диапазон невелик.

Я добавил небольшую модель нейронной сети в кератах, чтобы предсказать преобразование.

import numpy as np
import keras
import tensorflow
from keras.layers import Input, Dense, Reshape
from keras.models import Model

X = np.random.randint(-100, 100, (3000, 10, 3)) # 10 3d points
Y = 2*(X + 5)/7 # this is our simple transformation operation

print(X.shape)
print(Y.shape)

in_m = Input(shape=(30,)) # input layer
f1_fc = Dense(100, activation = 'relu')(in_m) # first fc layer
f2_fc = Dense(30, activation = 'linear')(f1_fc) # second fc layer

simple_model = Model(in_m, f2_fc)

simple_model.summary()

simple_model.compile(loss='mse', metrics=['mae'], optimizer='adam')


X_flat = np.reshape(X, (3000, 30))
Y_flat = np.reshape(Y, (3000, 30))

hist = simple_model.fit(X_flat, Y_flat, epochs = 100, validation_split = 0.2, batch_size = 20)

Выход:

(3000, 10, 3)
(3000, 10, 3)

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_9 (InputLayer)         (None, 30)                0         
_________________________________________________________________
dense_15 (Dense)             (None, 100)               3100      
_________________________________________________________________
dense_16 (Dense)             (None, 30)                3030      
=================================================================
Total params: 6,130
Trainable params: 6,130
Non-trainable params: 0