使用 Azure 机器学习检测图像中的符号
Use Azure Machine learning to detect symbol within an image
4 年前，我在 Azure 网站上发布了 this question and got a few answers that were unfortunately outside my skill level. I just attended a build tour conference where they spoke about machine learning and this got me thinking of the possibility of using ML as a solution to my problem. i found this，但我认为它对我没有帮助，因为它的范围非常狭窄。
这是我想要实现的目标：
我有一张源图片：
我想知道上图中包含以下哪个符号（如果有）：
比较需要支持轻微失真、缩放、颜色差异、旋转和亮度差异。
要匹配的符号数最终至少会大于 100。
机器学习是解决这个问题的好工具吗？如果是这样，有什么入门技巧吗？
据我所知，Project Oxford (MS Azure CV API) 不适合您的任务。他们的 API 非常专注于人脸相关任务（检测、验证等）、OCR 和图像描述。显然您不能扩展他们的模型或从现有模型训练新模型。
但是，即使我不知道针对您的对象检测问题的现成解决方案；有足够简单的方法可供您尝试，这会给您一些起点结果。
例如，您可以使用以下简单方法：
1) 创建数据集：
这可能是更乏味的一步，但矛盾的是，这是至关重要的一步。我假设您有大量图像可供使用。你需要做的是选择一个固定的 window 大小并提取正面和负面的例子。
如果数据集中的某些图像大小不同，您需要将它们重新调整为通用大小。您不需要对尺寸过于执着，可能 30x30 图片就足够了。为了让事情变得更容易，我也会把图像变成灰度。
2) 选择一个分类算法并训练它：
那里有大量的分类算法。但是如果你是机器学习的新手，我会选择我最了解的。牢记这一点，我会检查逻辑回归，它会给出不错的结果，这对初学者来说很容易，并且有很多库和教程。例如，this one or this one. At first I would say to focus in a binary classification problem (like if there is an UD logo in the picture or not) and when you master that one you can jump to the multi-class case. There are resources for that too 或者您始终可以有多个模型，每个徽标一个，并且 运行 每个模型分别有此配方。
要训练你的模型，你只需要读取在步骤 1 中生成的图像并将它们转换为向量并相应地标记它们。那将是为您的模型提供数据集的数据集。如果您使用的是灰度图像，那么向量中的每个位置都对应于 0-255 范围内的像素值。根据算法，您可能需要将这些值重新缩放到 [0-1] 范围内（这是因为某些算法对该范围内的值执行得更好）。请注意，在这种情况下重新调整范围相当容易 (new_value = value/255)。
您还需要拆分您的数据集，保留一些示例用于训练，一个子集用于验证，另一个用于测试。同样，有不同的方法可以做到这一点，但我尽可能让这个答案天真。
3) 执行检测：
那么现在让我们开始有趣的部分。给定您想要 运行 模型的任何图像，并在图片中有徽标的地方生成坐标。有不同的方法可以做到这一点，我将描述一种可能 不是最好的也不是更有效的方法 ，但在我看来它更容易开发。
您将扫描图片，提取 "window" 中的像素，将这些像素重新缩放为您在步骤 1 中选择的大小，然后将它们提供给您的模型。
如果模型给你一个肯定的答案，那么你在原始图像中标记 window。由于徽标可能以不同的比例显示，因此您需要使用不同的 window 尺寸重复此过程。您还需要在 windows.
之间调整 space 的数量
4) 冲洗并重复：
在第一次迭代中，您很可能会得到很多误报。然后您需要将这些作为负面示例并重新训练您的模型。这将是一个迭代过程，希望在每次迭代中，您的误报和漏报会越来越少。
一旦您对自己的解决方案感到相当满意，您可能想要改进它。您可能想尝试其他分类算法，如 SVM or Deep Learning Artificial Neural Networks, or to try better object detection frameworks like Viola-Jones. Also, you will probably need to use crossvalidation 来比较您的所有解决方案（您实际上可以从一开始就使用交叉验证）。到这一刻，我敢打赌你会足够自信地想要使用 OpenCV 或其他随时可用的框架，在这种情况下，你会对幕后发生的事情有一个公平的理解。
此外，您也可以忽略所有这些答案，而去学习像这样的 OpenCV 对象检测教程 one. Or take another answer from another question like this one。祝你好运！
4 年前，我在 Azure 网站上发布了 this question and got a few answers that were unfortunately outside my skill level. I just attended a build tour conference where they spoke about machine learning and this got me thinking of the possibility of using ML as a solution to my problem. i found this，但我认为它对我没有帮助，因为它的范围非常狭窄。
这是我想要实现的目标：
我有一张源图片：
我想知道上图中包含以下哪个符号（如果有）：
比较需要支持轻微失真、缩放、颜色差异、旋转和亮度差异。
要匹配的符号数最终至少会大于 100。
机器学习是解决这个问题的好工具吗？如果是这样，有什么入门技巧吗？
据我所知，Project Oxford (MS Azure CV API) 不适合您的任务。他们的 API 非常专注于人脸相关任务（检测、验证等）、OCR 和图像描述。显然您不能扩展他们的模型或从现有模型训练新模型。
但是，即使我不知道针对您的对象检测问题的现成解决方案；有足够简单的方法可供您尝试，这会给您一些起点结果。
例如，您可以使用以下简单方法：
1) 创建数据集：
这可能是更乏味的一步，但矛盾的是，这是至关重要的一步。我假设您有大量图像可供使用。你需要做的是选择一个固定的 window 大小并提取正面和负面的例子。
如果数据集中的某些图像大小不同，您需要将它们重新调整为通用大小。您不需要对尺寸过于执着，可能 30x30 图片就足够了。为了让事情变得更容易，我也会把图像变成灰度。
2) 选择一个分类算法并训练它： 那里有大量的分类算法。但是如果你是机器学习的新手，我会选择我最了解的。牢记这一点，我会检查逻辑回归，它会给出不错的结果，这对初学者来说很容易，并且有很多库和教程。例如，this one or this one. At first I would say to focus in a binary classification problem (like if there is an UD logo in the picture or not) and when you master that one you can jump to the multi-class case. There are resources for that too 或者您始终可以有多个模型，每个徽标一个，并且 运行 每个模型分别有此配方。
要训练你的模型，你只需要读取在步骤 1 中生成的图像并将它们转换为向量并相应地标记它们。那将是为您的模型提供数据集的数据集。如果您使用的是灰度图像，那么向量中的每个位置都对应于 0-255 范围内的像素值。根据算法，您可能需要将这些值重新缩放到 [0-1] 范围内（这是因为某些算法对该范围内的值执行得更好）。请注意，在这种情况下重新调整范围相当容易 (new_value = value/255)。
您还需要拆分您的数据集，保留一些示例用于训练，一个子集用于验证，另一个用于测试。同样，有不同的方法可以做到这一点，但我尽可能让这个答案天真。
3) 执行检测： 那么现在让我们开始有趣的部分。给定您想要 运行 模型的任何图像，并在图片中有徽标的地方生成坐标。有不同的方法可以做到这一点，我将描述一种可能 不是最好的也不是更有效的方法 ，但在我看来它更容易开发。
您将扫描图片，提取 "window" 中的像素，将这些像素重新缩放为您在步骤 1 中选择的大小，然后将它们提供给您的模型。
如果模型给你一个肯定的答案，那么你在原始图像中标记 window。由于徽标可能以不同的比例显示，因此您需要使用不同的 window 尺寸重复此过程。您还需要在 windows.
之间调整 space 的数量4) 冲洗并重复： 在第一次迭代中，您很可能会得到很多误报。然后您需要将这些作为负面示例并重新训练您的模型。这将是一个迭代过程，希望在每次迭代中，您的误报和漏报会越来越少。
一旦您对自己的解决方案感到相当满意，您可能想要改进它。您可能想尝试其他分类算法，如 SVM or Deep Learning Artificial Neural Networks, or to try better object detection frameworks like Viola-Jones. Also, you will probably need to use crossvalidation 来比较您的所有解决方案（您实际上可以从一开始就使用交叉验证）。到这一刻，我敢打赌你会足够自信地想要使用 OpenCV 或其他随时可用的框架，在这种情况下，你会对幕后发生的事情有一个公平的理解。
此外，您也可以忽略所有这些答案，而去学习像这样的 OpenCV 对象检测教程 one. Or take another answer from another question like this one。祝你好运！