Какой алгоритм использовать для классификации данных по пространственным отношениям? Задать вопрос

Задан 4 года, 8 месяцев назад Изменен сегодня Просмотрен 120 раз

0 $\begingroup$ Предположим, у меня есть набор данных, похожий на изображения, 2D-образцы, где значения можно разделить на несколько дискретных уровней (например, 1, 2, 3 и 4), как на изображении ниже, где каждый цвет соответствует разному значению от 1 до 4. Количество раз, когда данный цвет встречается на картинке, варьируется от образца к образцу. Я хотел бы классифицировать эти изображения на разные классы, но на основе пространственных отношений этих значений друг с другом (а не самих значений). Под пространственными отношениями я имею в виду в основном (слева, справа, вверху, внизу), например:
Если синий находится выше и справа от красного
Другой синий находится выше и слева от той же красной
Желтый находится справа от одного синего (на той же высоте)
Один зеленый находится ниже красного
...
Мой вопрос: какой алгоритм (вероятно, какая-то глубокая нейронная сеть) я должен использовать для этой задачи? Я был бы признателен даже просто за ключевые слова или подсказки о том, что может помочь.
deep-learning classification image-recognition deep-neural-networks knowledge-representation Поделиться Улучшить этот вопрос Следовать спрошен Apr 22, 2021 в 17:18 GKozinski 1,280 12 12 серебряных бейджей 22 22 бронзовых бейджей $\endgroup$ Добавить комментарий | 1 Ответ 1 Сортировка по: Сбросить к значению по умолчанию Наибольший балл (по умолчанию) Дата изменения (сначала новые) Дата создания (сначала старые) 0 $\begingroup$ Пространственные отношения, которые вы описываете, соответствуют признакам, и неясно, нужно ли вам использовать нейронную сеть для обнаружения или обнаружения этих признаков, поскольку вы их только что описали. Не могли бы вы вместо этого определить извлекатель признаков, который обнаруживает правильные паттерны и возвращает вам вектор подсчетов вхождений признаков по всему изображению? Фактически, матрицы совместной встречаемости уровней серого (gray level co-occurrance matrices) могут быть адаптированы к этой проблеме. Поскольку здесь всего четыре цвета, каждая матрица будет очень маленькой, и вы определите одну матрицу для каждой локальной пространственной конфигурации. Например, одна матрица может кодировать количество раз, когда цвет x находится ниже цвета y. Из них вы можете извлечь интересующие вас подсчеты для использования в дальнейшей обработке.
Поделиться Улучшить этот ответ Следовать ответил Apr 22, 2021 в 19:39 Mike NZ 441 2 2 серебряных бейджей 6 6 бронзовых бейджей $\endgroup$ 1 $\begingroup$ Я думаю, что «обнаружение» (discovering) было бы правильным термином здесь, поскольку я не знаю их заранее. Обнаружение их и затем, на основе этого, выполнение классификации или кластеризации. $\endgroup$ GKozinski – GKozinski 2021-04-23 06:43:38 +00:00 Прокомментировано Apr 23, 2021 в 6:43 Добавить комментарий | Вы должны войти в систему, чтобы ответить на этот вопрос. Начните задавать вопросы, чтобы получить ответы. Найдите ответ на свой вопрос, задав вопрос. Задать вопрос Изучите связанные вопросы deep-learning classification image-recognition deep-neural-networks knowledge-representation Посмотрите похожие вопросы с этими тегами.

0 $\begingroup$ Предположим, у меня есть набор данных, похожий на изображения, 2D-образцы, где значения можно разделить на несколько дискретных уровней (например, 1, 2, 3 и 4), как на изображении ниже, где каждый цвет соответствует разному значению от 1 до 4. Количество раз, когда данный цвет встречается на картинке, варьируется от образца к образцу. Я хотел бы классифицировать эти изображения на разные классы, но на основе пространственных отношений этих значений друг с другом (а не самих значений). Под пространственными отношениями я имею в виду в основном (слева, справа, вверху, внизу), например:
Если синий находится выше и справа от красного
Другой синий находится выше и слева от той же красной
Желтый находится справа от одного синего (на той же высоте)
Один зеленый находится ниже красного
...
Мой вопрос: какой алгоритм (вероятно, какая-то глубокая нейронная сеть) я должен использовать для этой задачи? Я был бы признателен даже просто за ключевые слова или подсказки о том, что может помочь.
deep-learning classification image-recognition deep-neural-networks knowledge-representation Поделиться Улучшить этот вопрос Следовать спрошен Apr 22, 2021 в 17:18 GKozinski 1,280 12 12 серебряных бейджей 22 22 бронзовых бейджей $\endgroup$ Добавить комментарий | 1 Ответ 1 Сортировка по: Сбросить к значению по умолчанию Наибольший балл (по умолчанию) Дата изменения (сначала новые) Дата создания (сначала старые) 0 $\begingroup$ Пространственные отношения, которые вы описываете, соответствуют признакам, и неясно, нужно ли вам использовать нейронную сеть для обнаружения или обнаружения этих признаков, поскольку вы их только что описали. Не могли бы вы вместо этого определить извлекатель признаков, который обнаруживает правильные паттерны и возвращает вам вектор подсчетов вхождений признаков по всему изображению? Фактически, матрицы совместной встречаемости уровней серого (gray level co-occurrance matrices) могут быть адаптированы к этой проблеме. Поскольку здесь всего четыре цвета, каждая матрица будет очень маленькой, и вы определите одну матрицу для каждой локальной пространственной конфигурации. Например, одна матрица может кодировать количество раз, когда цвет x находится ниже цвета y. Из них вы можете извлечь интересующие вас подсчеты для использования в дальнейшей обработке.
Поделиться Улучшить этот ответ Следовать ответил Apr 22, 2021 в 19:39 Mike NZ 441 2 2 серебряных бейджей 6 6 бронзовых бейджей $\endgroup$ 1 $\begingroup$ Я думаю, что «обнаружение» (discovering) было бы правильным термином здесь, поскольку я не знаю их заранее. Обнаружение их и затем, на основе этого, выполнение классификации или кластеризации. $\endgroup$ GKozinski – GKozinski 2021-04-23 06:43:38 +00:00 Прокомментировано Apr 23, 2021 в 6:43 Добавить комментарий | Вы должны войти в систему, чтобы ответить на этот вопрос. Начните задавать вопросы, чтобы получить ответы. Найдите ответ на свой вопрос, задав вопрос