赛车图像标注
Racecar image tagging
我正在开发一个系统来简化我们的图片库，该图片库每周增加 7 千到 2 万张新图片。具体应用是识别图片中有哪些赛车（所有的车都是相似的形状，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来对汽车图像进行分类；但是，图片中包含多辆汽车的可能性非常大。我的下一个想法是使用 object 检测来检测车号（出现在所有汽车的固定位置 [鼻子、尾巴、两扇门和车顶] 并且每周都保持一致的字体）。最后是object整车识别的方法。从表面上看，这似乎是最实用的；但是，油漆方案变化很大，可能不会。
哪种方法会给我最好的结果？我已经拉出了大量图像进行训练，显然不同的方法需要非常不同的训练数据集。
最好的方法是将所有 3 种方法作为整体使用。您训练所有 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。
您可以将所有 3 个模型的所有 类 的概率相加，然后根据最高概率得出结论。
您可以从每个模型中获得预测并根据投票数决定：1.模型 - class1，2.模型 - class2，3.模型 - class2 ==> class2
你可以做一些类似加权决策的事情。因此，假设第一个模型是最好的和最强大的模型，但您不是 100% 信任它并且想看看其他模型会怎么说。比起您可以将第一个模型的输出加权为 0.6，将其他两个模型的输出加权为 0.2。
希望对您有所帮助:)
我正在开发一个系统来简化我们的图片库，该图片库每周增加 7 千到 2 万张新图片。具体应用是识别图片中有哪些赛车（所有的车都是相似的形状，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来对汽车图像进行分类；但是，图片中包含多辆汽车的可能性非常大。我的下一个想法是使用 object 检测来检测车号（出现在所有汽车的固定位置 [鼻子、尾巴、两扇门和车顶] 并且每周都保持一致的字体）。最后是object整车识别的方法。从表面上看，这似乎是最实用的；但是，油漆方案变化很大，可能不会。
哪种方法会给我最好的结果？我已经拉出了大量图像进行训练，显然不同的方法需要非常不同的训练数据集。
最好的方法是将所有 3 种方法作为整体使用。您训练所有 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。
您可以将所有 3 个模型的所有 类 的概率相加，然后根据最高概率得出结论。
您可以从每个模型中获得预测并根据投票数决定：1.模型 - class1，2.模型 - class2，3.模型 - class2 ==> class2
你可以做一些类似加权决策的事情。因此，假设第一个模型是最好的和最强大的模型，但您不是 100% 信任它并且想看看其他模型会怎么说。比起您可以将第一个模型的输出加权为 0.6，将其他两个模型的输出加权为 0.2。
希望对您有所帮助:)