在我的最新项目中,我需要训练一个深度卷积神经网络来检测足球运动员。问题在于,我所有的正面问题都是从3-4个视频中提取出来的,每个草的颜色几乎相同。我正在寻找一种背景减法方法,它将人体形象与绿色背景隔离开来。然后,我可以将草的颜色改变为不同的色调。执行边缘检测或颜色分割算法是否更好?有任何想法吗?感谢
答案 0 :(得分:1)
我如何解决CNN训练集中的草色(背景)是否相同?
您可以通过测试来查看是否存在问题的一种方法是查看您的训练模型是否可以处理颜色变化而无需重新训练。输入测试图像并重新排序颜色(蓝色变为红色,红色变为绿色,绿色变为蓝色)并查看其效果如何。尝试对图像进行去色处理,使所有颜色层都是黑色和白色。
如果您的CNN预制件一样好(在精度测量的不确定性范围内),那么就没有问题。
也许颜色是个问题。用b / w代替3种颜色尝试你的整个CNN。如果使用b / w进行训练也能够预先形成,那么黑白模型可以是边界检测器,并且您的颜色CNN可以用于其他类似团队检测。
使用style transfer NN将训练集图像转换为绿草,以获得“棕色草”。
训练CNN以专门检测每个NxN(11x11)补丁中的草。用它来创建一个与输入图像形状相同的位掩码,它是“是否是草的像素部分”的掩码。将其输出与点输入图像相乘以创建无草图像。目视确认它确实是草。将蒙版的反转应用于新背景并添加无草图像和新背景。
答案 1 :(得分:1)
一个简单的解决方案可能是颜色分割,即选择颜色范围(草)并为其指定一个常数值,或者您可以更改绿色通道中的像素值。