用于基于像素的图像分类的 Tensorflow 架构

Question

我有一个包含 4 个波段的 RGBI 图像，我希望能够使用张量流和深度学习将图像像素分为两个类。在训练数据中，每个像素被认为是一个以 4 values/features 作为图像强度的观测值。我使用以下函数创建网络

def deep_learn(X,Y,X_test,Y_test):

    net = input_data(shape=[None, 1,4])
    net = tflearn.lstm(net, 128, return_seq=True)
    net = tflearn.lstm(net, 128)
    net = tflearn.fully_connected(net, 2, activation='softmax')
    net = tflearn.regression(net, optimizer='adam',
                             loss='categorical_crossentropy', name="deep")
    model = tflearn.DNN(net, tensorboard_verbose=2)
    model.fit(X, Y, n_epoch=1, validation_set=0.1, show_metric=True,
              snapshot_step=100)
    # Save model when training is complete to a file
    model.save("deep")
    return model

但是我得到了以下错误

ValueError: Cannot feed value of shape (64, 4) for Tensor 'InputData/X:0', which has shape '(?, 1, 4)'

不知道问题出在哪里。使用深度神经网络与随机森林进行基于像素的分类有什么好处吗？如果是，我该如何使用上述功能来做到这一点。

谢谢。

Answer 1

您需要扩展变量 X 的维度，以考虑 LSTM 中的时间步长。不要直接传递 X，而是像 -

那样使用 np.expand_dims

X = np.expand_dims(X, axis=1)

用于基于像素的图像分类的 Tensorflow 架构

Tensorflow architecture for pixel based image classification

image

tensorflow

classification

pixel

tflearn