У меня есть изображение 512x512. Я хочу выполнить попиксельную классификацию этого изображения. Я уже тренировал модель с использованием патчей 80x80. Таким образом, во время тестирования у меня есть 512x512 = 262144 патчей с размером 80x80, и эта классификация слишком медленная. Как улучшить время тестирования? Пожалуйста, помогите мне.Семантическая сегментация с использованием глубокого обучения
1
A
ответ
1
я мог бы быть неправильно, но там не много решения для ускорения стадии тестирования, основным из которых является уменьшить число NN нейронов для того, чтобы уменьшить количество операций:
- Патчи 80x80 действительно большие, вы можете попытаться уменьшить их размер и переквалифицировать свой NN. Это уже сократит количество нейронов.
- Проанализируйте весы/входы/выходы NN, чтобы обнаружить нейроны, которые не имеют значения в вашем NN. Они могут, например, всегда возвращать 0, то их можно удалить из вашего NN. Затем вы переучиваете свой NN с упрощенной архитектурой.
- Если вы еще этого не сделали, гораздо быстрее дать пакет (чем больше, тем лучше) патчей вместо одного патча за раз.
Смежные вопросы
- 1. Семантическая сегментация и обнаружение объекта
- 2. Семантическая сегментация для больших изображений
- 3. Mocha, инструмент глубокого обучения
- 4. Инструментарий для глубокого обучения
- 5. Семантическая сегментация с энкодером-декодером CNN
- 6. Сеть глубокого обучения для классификации
- 7. Обзор для сетей глубокого обучения
- 8. Функция аудио для глубокого обучения
- 9. Усовершенствование данных для обнаружения объектов с использованием глубокого обучения
- 10. Вопросы, касающиеся классификации вместо регрессии с использованием глубокого обучения
- 11. Ошибка при использовании примера обучения с использованием глубокого обучения с помощью библиотеки Mxnet на Python
- 12. Как создать сервер обработки глубокого обучения
- 13. Выбор размера микроавтобуса для глубокого обучения
- 14. Использование глубокого обучения для последовательных данных
- 15. Функция активации глубокого обучения между скрытыми слоями?
- 16. Запуск глубокого обучения на обычном компьютере с Windows
- 17. Сегментация с использованием thershold
- 18. Внедрение архитектуры глубокого обучения с данным набором данных
- 19. Можем ли мы использовать методы глубокого обучения в двоичной классификации?
- 20. Использование моделей глубокого обучения от TensorFlow в других языковых средах
- 21. Сегментация рукописного слова с использованием нейронной сети
- 22. Ошибка в работе keras для глубокого обучения в ubuntu 14.04
- 23. Есть ли альтернатива графической карте NVIDIA для глубокого обучения с использованием графических процессоров?
- 24. Текстовая сегментация с использованием Gate
- 25. Что такое phi в алгоритме глубокого Q-обучения
- 26. Возможно использование сети глубокого обучения в коллекции неподвижных изображений?
- 27. Как операции Int8 (byte) могут быть полезны для глубокого обучения?
- 28. Программное обеспечение для глубокого обучения для распознавания динамиков
- 29. Нормализация уровня всегда лучше, чем нормализация партии для глубокого обучения
- 30. h2o пакет глубокого обучения выводит одно значение при использовании автоопределения
Пробовал использовать меньший размер патча. Да! Время прогнозирования теперь составляет 3 минуты/изображение (раньше это было около 15 минут/изображение). Я также попытался уменьшить количество скрытых узлов в полностью подключенном слое. Но не повезло, никаких других предложений? Мне нужно уменьшить предсказание за несколько секунд. –
Вы взглянули на второй пункт, который я упомянул. Это то, что они делают в отрасли, чтобы производить более быстрые продукты. – FiReTiTi
@AvijitDasgupta: Вы пытались использовать FCN (полностью сверлильная сеть)? –