আমার কাছে প্রশস্ত চিত্রগুলির একটি ডেটাসেট রয়েছে: 1760x128। আমি টিউটোরিয়াল এবং বইগুলি পড়েছি এবং তাদের বেশিরভাগই বলেছি যে ইনপুট চিত্রগুলি বর্গক্ষেত্রের হওয়া উচিত এবং যদি না হয় তবে তারা ইতিমধ্যে প্রশিক্ষিত (স্কোয়ার চিত্রগুলিতে) সিএনএন-এ প্রশিক্ষণের জন্য স্কয়ারে রূপান্তরিত হবে। স্কয়ারবিহীন চিত্রগুলির জন্য সিএনএন প্রশিক্ষণের কোনও উপায় আছে, বা প্যাডিং হিসাবে আমার অন্য কোনও বিকল্পের সন্ধান করা উচিত?
উত্তর:
শ্রেণিবদ্ধের উপর নির্ভর করে সমস্যাটি সমাধান করার বিভিন্ন উপায় রয়েছে। উইন্ডোজ স্লাইডিং হল সেই পদ্ধতির সাথে আমি সবচেয়ে বেশি পরিচিত, এটি নিউরাল নেটওয়ার্ক পদ্ধতিগুলির জন্য ব্যবহৃত হয়। এই পদ্ধতিতে একটি ছোট উপ-চিত্র নেওয়া এবং এটি কিছুটা ওভারল্যাপের সাথে উপরে এবং নীচে স্থান দেওয়া জড়িত। কিছু সমস্যাগুলির মধ্যে সর্বোত্তম শিফট প্যারামিটারগুলি এবং মাল্টি স্কেল-ইস্যুগুলি অন্তর্ভুক্ত রয়েছে।
চূড়ান্ত সনাক্তকরণটি শ্রেণীবদ্ধকারী যে কতটা আত্মবিশ্বাসী তার দ্বারা নির্ধারিত হয় যে উপ-চিত্রগুলির প্রতিটি সেই শ্রেণীর অন্তর্ভুক্ত: উদাহরণস্বরূপ সংখ্যাগরিষ্ঠ ভোট, মোট সম্ভাবনা বা সিদ্ধান্তের সীমানা থেকে মোট দূরত্ব। আমি নীচে কিছু উপাদান তালিকাভুক্ত করেছি, প্রথমটি এইচওজি শ্রেণিবদ্ধ পদ্ধতির জন্য তবে ধারণাগুলি একই।
আপনি যদি কোনও সিএনএন ব্যবহার করে থাকেন তবে এটিকে কোনও সমস্যা করতে হবে না। আমি মুখগুলি সনাক্ত করার জন্য একটি সিএনএন তৈরি করেছি এবং যেহেতু মুখগুলি সাধারণত প্রায় লম্বা হিসাবে প্রায় 70% প্রশস্ত হয়, তাই আমি প্রশিক্ষণ চিত্রগুলি ব্যবহার করি যেগুলি 80x100 পিক্সেল (মাথাটি কোনও কোণে থাকলে কিছুটা অতিরিক্ত প্রস্থ) ছিল। আপনার ফিল্টারগুলি এখনও স্কোয়ার হওয়া উচিত।
সমস্ত পরিবর্তনগুলি হ'ল এখন আপনাকে নিজের অ্যাক্টিভেশন / পুলেড মানচিত্রের জন্য আপনাকে একটি আকারের পরিবর্তে যা আপনাকে আকারটি বলে দেয় তার পরিবর্তে প্রস্থ এবং উচ্চতার ট্র্যাক রাখতে হবে। উদাহরণ স্বরূপ -
80 x 100 এর ইনপুট চিত্রটি প্রয়োগ করুন 5 x 5 কনভ্যুশন ফিল্টারটি 76 x 96 এ সক্রিয়করণের একটি মানচিত্র দেয় 2 x 2 পুলিং প্রয়োগ করুন 38 x 48 এ পুল করা সক্রিয়করণের মানচিত্র দেয়