卷積神經網絡？

Question

我正在為“情緒檢測”項目。

作為制作完整產品的第一步，我們從圖像處理開始。 我從互聯網上了解到卷積神經網絡是最好的方法。

import cv2
import numpy as np
def sum_cnn(image,x,y):
    x1,y1=np.shape(image)
    temp=image

    for i in range(0,x1-x):
        for j in range(0,y1-y):
            temp1=np.sum(image[i:i+x,j:j+y])/(x*y)
            if temp1 in range(850000,1100000):
                cv2.rectangle(temp, (i, j), (i+20, j+20), (0, 255, 0), 2)
                print "\n"


    return temp


image =cv2.imread('test.jpg')
image=cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
image=np.matrix(image)

temp=sum_cnn(image,95,95)

cv2.imshow('Processed Video', temp)
cv2.imwrite('1.jpg',temp)

print "Done"

上面是我編寫的代碼-值（850000,1100000）是Matrix的復雜范圍之和的值（抱歉，代碼非常粗糙，我從今天早上開始編寫）。

好吧，我要問的問題是如何設計或獲取要存儲權重的矩陣。

1）我可以僅使用一種矩陣來進行每種對象檢測（即粗略的單層CNN，這將為“汽車”和“面部”提供不同的值）還是應該為“汽車”和“面孔”？

2）如何處理不同大小的同一物體？ 我在Internet上看到的一種解決方案是繼續調整原始圖像的大小。 我想知道是否有更快的方法？

3）在反向傳播中，為獲得最佳權重矩陣，我們給出了哪些粗略條件？

Answer 1

首先，如果您認真計划使用神經網絡，我建議您從基礎開始。 我想說，該頁面對於開始使用神經網絡真的很好。 一旦對神經網絡有了基本的了解，您就可以嘗試使用框架或Theano之類的東西來嘗試構建CNN。

老實說，我不太清楚您的代碼是關於什么的，但是我會盡力回答您的問題。

1. 我想您在這里談論的是重量矩陣。 CNN在卷積層中的作用是：“提取特征”。 那就是大家所說的。 但是……這不是一個容易量化的值。 因此，您需要多少個過濾器圖（權重矩陣在CNN中稱為過濾器圖）取決於您的用例。 因此，您可能必須堅持使用測試和驗證集進行跟蹤和錯誤處理，以調整過濾器映射的數量，或者通常是調整超參數的數量。

2. 這是Krizhevsky，Sutskever和Hinton的一篇很酷的論文 ，他們在GPU上做一些瘋狂的事情，並且將圖像固定為一定的大小。 如果您找到解決此限制的好方法，請告訴我。

3. 您通常要做的是防止過度擬合。 研究人員想到了多種方法和方法來實現這一目標。 輟學，保持低體重或進行預訓練，僅舉幾例。

我再次建議您從給定的來源開始。 相比您在聽我講一些我可能不太了解的技術術語時，它更容易理解。

親切的問候，

PS：隨時糾正我