Кормление сырых данных как изображение для глубокой обучающей машины и ожидание создания изображения для данного класса

Question

Я знаю, что глубокое обучение способно много интересных вещей, связанных с изображениями. Вопрос, с которым я столкнулся: Возможно ли создать растровое изображение больших данных для нескольких классов и передать его на глубокую обучающую машину для обработки изображений, а когда обученный ожидает, что машина будет генерировать изображение для данного класса ?

, например, прогнозирование спортивного матча; давая образ статики каждой игры в качестве входных данных, а класс будет именем двух команд. поэтому, когда я вхожу в «New England Patriots - Seattle Seahawks», AI генерирует изображение, которое является предсказанием статики игры.

все равно поможет предсказание?

Answer 1

Это открытая тема для поиска под названием Generative Adversarial Networks. Объяснение этого можно найти здесь: https://www.quora.com/What-are-Generative-Adversarial-Networks.

Пример использования бумаги: https://arxiv.org/pdf/1612.07828v1.pdf?utm_campaign=Machine%2BLearning%2BWeekly&utm_medium=web&utm_source=Machine_Learning_Weekly_9.

Пример учебника по youtube: https://www.youtube.com/watch?v=deyOX6Mt_As.

Answer 2

Возможно ли создать растровое изображение [...] для нескольких классов и передать его на глубокую обучающую машину для обработки изображений, а когда обучено ожидать, что машина будет генерировать изображение для данного класса?

Как уже писал Томас, вы можете захотеть взглянуть на это как «Generative Adversarial Networks» (GAN).

Однако, не так просто тренировать тех, кто тренирует многослойные персептроны. Вы не можете просто вводить шум класса + в качестве входных данных и ожидать, что он будет генерировать реалистичные выходные изображения. Проблема заключается в том:

1. есть много реалистичных изображений (32px х 32px, RGB -> 255^(32 * 32 * 3) возможные изображения)
2. вы знаете только несколько миллионов изображений, что они являются реалистичными

Решение состоит в том, чтобы обучить две сети, которые играют в игру: Сеть генератора G, которая генерирует изображения. И сеть дискриминаторов D, которая должна решить, поступает ли вход от генератора или из источника естественного изображения.

, например, прогнозирование спортивного матча; давая образ статики каждой игры в качестве входных данных, а класс будет именем двух команд. поэтому, когда я вхожу в «New England Patriots - Seattle Seahawks», AI генерирует изображение, которое является предсказанием статики игры.

Я не уверен, что понимаю, чего вы хотите. Однако, если вы просто то, чтобы показать что-то вроде

«1: 0»

как образ ... почему вы должны использовать машинное обучение на всех для дисплейного-части? Почему бы просто не предсказать результат (машинное обучение) и создать образ обычным способом, возможно, с помощью 3 простых строк кода?

так много применения хорошо обработки изображений в глубоком обучении, это поможет мне достичь результата быстрее, чем просто вводить данные непосредственно

Нет, это только добавляет сложность, которая должна быть решена с помощью алгоритмы обработки изображений. После «решения» тех проблем, которые вы искусственно добавили в набор данных, он может решить проблему, которую вы могли бы дать прямо.

я думал, что я могу показать более важные данные, такие как целевые показатели больших в изображении, поэтому она имеет большее влияние на будущих результатах

Если вы знаете, что важно и в каком отношениях, то не используйте машинное обучение.