用于多模式识别的神经网络输出层

Question

假设我有一个方法或其他神经网络正确地对图像进行模式检测。我应该如何设计一个图像中有多个图案的神经网络？

假设在图像中有待检测的X模式，最佳方法是什么？ AFAIK输出层神经元值应为[-1,1]。我怎么知道是否识别出X量的图案？这是否意味着我必须设置一个硬编码限制，它可以识别多少个模式（因为输出神经元的数量是固定的）？

Answer 1

以下是使用面部检测作为示例的建议。 Github上的这个Face Detection link被描述为使用Haar分类器检测多重模式（即面部）。如果您在实施部分下阅读，则表明该算法使用scaleOption和templateSizeOption参数（以及其他参数）来管理图像中检测到的面数。听起来你应该在给定图像的子空间或窗口中寻找特征（甚至可能是重叠的空间）。

  

scaleOption - 此参数用于指定   haar特征使用的速率   用于面部检测将被缩放。一个   较低规模的选择意味着更多   面部将被检测到，而更高   比例选项将执行得更快   检测，但可能会错过一些面孔   来自输入图像。默认   比例值为1.1，即确定一个   增加特征维度   每一步都要10％。

     

templateSizeOption - 它已经习惯了   指定最小的区域   寻找一张脸。如果我们想   从特写图像中检测人物，   尺寸应该超过40像素，   否则是25个区域的像素（即   默认值）足够了   检测大量的面孔。

Answer 2

这样做使用hopfild net.at首先在相同的窗口中提取你的目标并保存在你的网中。然后在你的图像中进行简单的算法搜索，并在任何时候将网络的sim与目标进行比较，并且对于任何目标使用单独的数组来保存结果。最后提取每个数组中最近的模式。你可以使用一些图像在开始之前以原始图像进行处理。

Answer 3

是的，这可以通过神经网络来完成。我认为最实用的解决方案是将神经网络应用于扫描图像的窗口。来自神经网络的多次命中将意味着图像中有多个目标对象。

顺便提一下，神经网络不必位于-1 .. 1的范围内。