Comment reconnaître l'image de scènes réelles en utilisant scikit-learn?

Question

Je suis nouveau dans scikit-learn, j'ai beaucoup d'images et de taille des images même pas tous, sont une sorte de l'image réelle des scènes comme

cdn.mayike.com/emotion/img/attached/1/ image/dt/20170920/12/20170920121356_795.png cdn.mayike.com/emotion/img/attached/1/image/mainImg/20170916/15/20170916153205_512.png ,

une autre ne sont pas l'image réelle des scènes comme

cdn.mayike.com/emotion/img/attached/1/image/dt/20170917/01/20170917011403_856.jpeg
cdn.mayike.com/emotion/img/attached/1/image/dt/20170917/14/ 20170917145613_197.png .

Je veux utiliser scikit-apprendre en reconnaissant ce qui n'est pas l'image de scènes réelles, je pense qu'il est similaire à http://scikit-learn.org/stable/auto_examples/applications/plot_face_recognition.html#sphx-glr-auto-examples-applications-plot-face-recognition-py.
Je ne sais absolument pas comment commencer.
Comment créer des dateset extraire des entités à partir d'images?
Quelqu'un peut-il me dire ce que je devrais faire?

Answer 1

Cela ne semble pas être directement un problème de programmation ici et vos questions sont liées à la recherche «de base» non fondamentale.

Il semble que vous devriez lire sur Scène naturelle (Statistiques) et vous familiariser avec l'un des cadres actuels d'apprentissage de la machine comme TensorFlow, Caffe.

Il existe de nombreux tutoriels pour commencer, par exemple vous pouvez commencer avec un classificateur binaire qui produit si l'image donnée montre une scène naturelle ou non.

configuration de votre base de données pourrait avoir une structure comme ceci:

Digits par exemple, peut utiliser une telle structure pour créer un ensemble de données et est en mesure d'utiliser des modèles conçus pour Caffe et TensorFlow.

Je vous recommande également de lire sur les réseaux finaux, car vous aurez besoin de beaucoup d'images dans votre base de données si vous commencez à vous entraîner.

Dans Caffe, vous pouvez affiner les modèles pré-formés comme CaffeNet ou GoogeNet. Je pense que ce sont quelques informations de base qui devraient vous aider à démarrer. À partir de scikit-learn et de détection de visage: Face-Detection est plus à la recherche de candidats locaux ou de patchs d'image qui pourraient éventuellement contenir un visage. D'un autre côté, votre problème est davantage un problème global que l'image entière. Cela dit, je commencerais par un réseau de neurones capable d'extraire des fonctionnalités locales et globales pour vous.