我正在开发一个系统来简化我们的图片库,它可以每周增加7k到20k的新图片。具体的应用是识别图片中的赛车(所有的赛车都是相似的形状和不同的油漆方案)。我计划在项目的这一部分使用python和tensorflow
我最初的想法是用图像分类法对汽车图像进行分类;然而,图片中包含多辆车的可能性非常高。我的下一个想法是使用目标检测来检测汽车编号(在所有汽车的固定位置(鼻子、尾巴、两个车门和车顶)上显示,并且每周都保持一致的字体)。最后是整车目标识别方法。从表面上看,这似乎是最实际的;但是,油漆方案的变化可能不够大
哪种方法能给我最好的结果?我提取了大量的图像进行训练,显然不同的方法需要非常不同的训练数据集
最好的方法是将这三种方法都用作诱饵。训练所有3个模型,并将输入图像传递给所有3个模型。然后,有几种方法可以评估输出
你可以将所有3个模型的所有类的概率相加,然后根据最大概率得出结论
您可以从每个模型中获得预测,并根据投票数进行决定:1.模型-类别1,2.模型-类别2,3.模型-类别2==>;2级
你可以做一些类似加权决策的事情。所以,假设第一个模型是最好的,也是最健壮的,但是你不能百分之百信任它,你想看看其他模型会怎么说。第一个模型的输出权重为0.6,其他两个模型的输出权重为0.2
我希望这有帮助:)
相关问题 更多 >
编程相关推荐