input in matlab

[jsami85]

با سلام
دوستان کسی می تونه بگه برا دادن ورودی به یه شبکه عصبی اگه ورودی به صورت یک عکس باشه باید چیکا کنیم؟

[hess]

پاسخ : input in matlab

سلام .........................

با سلام
دوستان کسی می تونه بگه برا دادن ورودی به یه شبکه عصبی اگه ورودی به صورت یک عکس باشه باید چیکا کنیم؟

ورودی شبکه باید ماتریس باشه .. با imread تصویر رو بخونید تا بشه ماتریس .. بعد بدید به شبکه تون .. موفق باشید ..

[jsami85]

پاسخ : input in matlab

ممنون که جواب دادید
یه سوال دیگه
اگه بخوام از توی عکس یه تکه رو جدا کنم ، مثلا یه قسمت که جنگل باشه و به نرم افزار بگم هر جا جنگل بود مثلا رنگ اون تیکه از عکس و آبی کن باید چیکا کنم؟
یعنی از یه عکس که می دم به شبکه بخوام جنگلا رو واسم پیدا کنه
بازم ممنون

[hess]

پاسخ : input in matlab

ممنون که جواب دادید
یه سوال دیگه
اگه بخوام از توی عکس یه تکه رو جدا کنم ، مثلا یه قسمت که جنگل باشه و به نرم افزار بگم هر جا جنگل بود مثلا رنگ اون تیکه از عکس و آبی کن باید چیکا کنم؟
یعنی از یه عکس که می دم به شبکه بخوام جنگلا رو واسم پیدا کنه
بازم ممنون

سلام .....................

من خودم شبکه عصبی کار نکردم امــا توضیح ML اونو براتون میدم .. میدونید بحث چیه؟ یه کم فراتر از این حرفاست .. کلا هویت شبکه ی عصبی چیه؟ یه Classifier .. یعنی چی؟ یعنی اینکه بر حسب اطلاعاتی که داره؛ تصمیم گیری میکنه بین داده های تست .. حالا اینی که میگیم "اطلاعاتی که داره" منظورمون چیه؟ یعنی اطلاعاتی که بهش دادیم تا شبکه یاد بگیره که چطور باید تصمیم گیری کنه .. پــس اولین چیزی که مهمه اینه که چه اطلاعاتی رو باید بهش بدیم .. مثلا فرض کنید با شبکه ی عصبی بخواید روی شناسایی سه تا Object؛ مثلا ماشین؛ گربه و هواپیما قضاوت کنید .. یعنی شبکه ی شما هرجا هر نمونه ای از اینا رو دید؛ بلافاصله روشون لیبل بذاره .. مثلا بگه ماشینه یا گربه ست یا هواپیما ست .. کلا برای Classification ما سه مرحله داریم ...

-- مرحله ی اول Representation آبجکت هامون صحبت کنیم .. مثلا دست بذاریم روی رنگشون؛ یا به فرم اسکلتشون توجه کنیم یا بافتشون رو بسنجیم یا خیلی موارد دیگه ..

-- مرحله ی دوم Training خود الگوریتمه .. یعنی به مدلمون آموزش بدیم که چطور باید فکر کنه ..

-- مرحله ی سوم هم Test هست .. یعنی یه سری داده داریم که باید این آموزش دادن رو روی اونها تست کنیم ..

حالا توی اون مثال گربه و هواپیما و ماشین هم وضعیت همینجوریه .. باید برای شبکه هر سه تای اینارو انجام بدیم و بعد هم نتیجه گیری این آموزش رو روی دیتاهای فضای تستمون ببینیم .. الان توی کاری که شما میخواید انجام بدید هم وضعیت به همین ترتیبه .. شما یه تصویر دارید که یه چیزی توشه ؛ حالا میخواید ببینید اون چیز درخته یا نه .. اولین کار اینه که برای درخت و جنگل تعریف دقیق ارائه بدید یه تعریفی که برای شبکه قابل درک باشه .. مثلا بگید رنگش اینطوریه؛ یا بافت تصاویر اینطوریه یا اگه Region Segmentation کنید بتونید اون نواحی رو وزن بدید یا خیلی کارای دیگه و اینا تازه میشن ویژگی های شما برای آموزش شبکه .. بعد که شبکه با اینا آموزش داده شد؛ میتونید الگوریتمتون رو تست کنید ..

در حقیقت توی فاز Train شما یه سری تصویر دارید که جنگل دارن؛ و یه سری دارید که جنگل ندارن .. اونایی که جنگل دارن رو میدید به شبکه و شبکه شروع میکنه بر حسب اون اطلاعاتی که گرفته (اون ویژگی هایی که براش تعریف کردید..) راه تصمیم گیری رو برای لیبل کذاری می آموزه .. حالا اونایی که جنگل نیستن برای چی هستن؟ برای اینکه شبکه بدونه که چیا موارد نا جنگل هستن و خودش رو از اونها دور کنه .. اینطوری میشه به Classification به وسیله ی شبکه ی عصبی فکر کرد .. موفق باشید ..

[jsami85]

پاسخ : input in matlab

از توضیح فوق العاده کاملتون ممنون
یه چیزاییش برام نامفهومه ، ببینید من باید عکس یه منطقه رو با imread بخونم بعد بیام عکس یه تیکه که جنگل هست رو بدم به شبکه ؟
چه جوری لیبل گذاری می کنند؟
ببینید توی همه مثال هایی که تا حالا خوندم یه P داشتیم یه T ، حالا تو این مورد کدوم عکس می شه p و کدوم t?
من واقعا شرمندم که اینقد خنگمااا :rolleyes: :cry: