Нейронная сетевая библиотека для распознавания изображений с истинным ложным основанием

Question

Мне нужна искусственная библиотека нейронной сети (желательно на python) для одной (простой) задачи. Я хочу обучить его так, чтобы он мог сказать, вещь есть на картинке. Я бы тренировать его, кормя его много картин и сказать, что она содержит Wether вещь я ищу или нет:

Эти изображения содержат эту вещь, возвращающие (или вероятность его содержащую вещь)

Эти изображения не содержат эту вещь, возвращаем False (или вероятность его содержащий вещь)

Есть ли такая библиотека уже существует? Я довольно новичок в ANN и распознавании изображений; хотя я понимаю, как они работают в принципе, мне сложно найти адекватную библиотеку для этой задачи, и даже исследования в этой области оказались своего рода разочарованием - любые советы в правильном направлении очень ценятся.

Answer 1

В Python существует несколько хороших подходов к нейронной сети, включая TensorFlow, Caffe, Lasagne и sknn (Sci-kit Neural Network). sknn обеспечивает легкое, готовое решение, хотя, на мой взгляд, его сложнее настраивать и может замедляться на больших наборах данных.

Следует учитывать, хотите ли вы использовать CNN (свернутую нейронную сеть) или стандартный ANN. С помощью ANN вам, скорее всего, придется «развернуть» ваши изображения в вектор, тогда как с CNN он ожидает, что изображение будет кубом (если в цвете, квадрат в противном случае).

Вот good resource на CNNs в Python.

Однако, поскольку вы не выполняете классификацию многоклассовых изображений (для которых CNN являются текущим золотым стандартом) и делая больше одного распознавания объектов, вы можете рассмотреть подход с преобразованным изображением, например, с использованием Histogram of Oriented Gradients (HOG) ,

В любом случае, точность подхода нейронной сети, особенно при использовании CNN, сильно зависит от успешной настройки гиперпараметра. К сожалению, пока нет какой-либо общей теории о том, какие гиперпараметрические значения (количество и размер слоев, скорость обучения, правило обновления, процент отсева, размер партии и т. Д.) Являются оптимальными в данной ситуации. Поэтому будьте готовы к тому, чтобы установить хорошую настройку обучения, проверки и тестирования, чтобы соответствовать надежной модели.

Answer 2

Я не знаю ни одной библиотеки, которая может это сделать для вас. Я использую много Caffe и могу дать вам решение, пока вы не найдете одну библиотеку, которая может сделать это за вас.

Надеюсь, вы знаете о ImageNet и что у Caffe есть trained model на основе ImageNet.

Вот идея:

• Определить, что the object есть. Скажите object = "laptop".
• Используйте подготовленную модель ImageNet Caffe, измените код, чтобы отобразить требуемый результат, который вы хотите (вы упомянули TRUE или FALSE), когда object находится в output labels.

Вот ссылка на ImageNet tutorial, которую я написал.

Вот что вы можете попробовать:

• Посмотрите here. Это урезанная версия программы ImageNet, которую я использовал в движке прогнозирования.
• В строке 80 вы получите верхнюю 1 прогнозируемую метку вывода. В строке 86 вы получите топ-5 прогнозируемых ярлыков. Напишите строку кода, чтобы проверить, находится ли object в output_label и возвращает TRUE или FALSE в соответствии с ним.

Я понимаю, что вы ищете конкретную библиотеку, я буду искать ее, но это то, что я хотел бы попробовать в начале.