matlab中NN输入的坐标归一化

Posted 2023-03-13

【中文标题】matlab中NN输入的坐标归一化

【英文标题】：Coordinate normalization for NN input in matlab

【发布时间】：2015-01-31 18:40:01

【问题描述】：

我正在尝试在 Matlab 中实现分类 NN。 我的输入是图像中的坐标簇。 （对应delaunay三角剖分顶点） 这种格式有 3 个簇（光学算法的结果）：

（并非所有集群的大小都相同。）。元素表示欧几里得二维空间中的坐标。所以 (110,12) 是我图像中的一个点，所描绘的矩阵代表一组点。 在图像边缘进行聚类。所以坐标指的是图像矩阵上的逻辑值（在这种情况下总是1）。（边缘检测后，图像中有3个“密集”区域，这些像素集合用于分类）。有6个目标类。

那么，我的问题是如何将它们格式化为单列向量输入以在神经网络中使用？ （有一个相关的答案here，但如果可能的话，我想详细说明一下。（我现在可能因为 12 个小时的尝试太累了，没有 100% 得到它：D :(） 请记住，每张图片有 3 个不同的坐标矩阵，所以我最初的想法是，创建一个具有 3 个输入（不同长度）的 nn。但是如何序列化呢？

这是一个带有标签的集群，以防万一：

【问题讨论】：

聚类是输入还是点？如果是集群，那么您应该输入描述集群的任何内容（例如均值+方差）。如果点，您应该输入您链接的问题中完成的作业。在第一种情况下，您需要恒定数量的集群，在第二种情况下，您需要恒定数量的点。

我不知道我是否理解你的问题；你想训练一个 nnet 将单个坐标分类为属于集群 1、2、3 之一吗？

好的，集群是图像的特征。对于每个图像，您可以创建 (1) 一个矩阵 X，其中每一行是属于每个集群的点的分数，即 x_i=[cluster_1/N, cluster_2/N, cluster_3/N] 其中 N=number of图像的点，以及 (2) y = 类别之一 (1 ... 6)。你应该可以在 Matlab 中用 X 和 y 训练一个 nnet。

假设您有 4 张图片，每张 100 分。假设这是每个簇的点分布：p1=[30 30 40], p2=[100 0 0], p3=[10 90 0], p4=[0,0,100]。集群 1、2 和 3 对应于 p_i 的列。假设这些图像有以下标签，y=[1,2,1,3]。我的观点是，您应该创建一个预测变量矩阵，如 X=[p1;p2;p3;p4]/100 并使用类向量 y 使用 svmtrain 或其他方法来学习分类器。您可以根据集群信息使用其他预测器，分数只是一个想法。

为了训练分类器，您需要一个矩阵 X，其中每一行对应一个图像。如果要使用坐标表示，这意味着所有图像都必须具有相同的大小，例如 M 乘 N。因此，图像的行将具有 M 乘 N 元素，并且值将是集群分配. y 就像我之前描述的那样。

【参考方案1】：

为了训练分类器，您需要一个矩阵 X，其中每一行对应一个图像。如果要使用坐标表示，这意味着所有图像必须具有相同的大小，例如 M x N。因此，图像的行将具有 M 乘 N 个元素（特征），并且相应的特征值将是集群分配。类向量 y 将是您拥有的任何标签，这是您通过上面的 cmets 提到的六个不同类之一。您应该记住，如果您使用坐标表示，X 可能会变得非常高维，除非您有大量图像，否则您的分类器可能会表现得很差。如果您的图像很少，请考虑使用我在其中一个 cmets 中建议的属于集群的像素分数：这可以为您提供更短的特征描述，该特征描述不受旋转和平移的影响，并且可能会产生更好的分类。

【讨论】：

完美。你给了我另一个想法。为了避免在坐标表示的情况下可能导致的高维问题，我将尝试在集群上使用傅立叶形状描述符并将它们作为输入传递给 nn..我认为这会很好。