- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我想预测给定 N
的(灰度)视频的下一帧以前的帧 - 在 Keras 中使用 CNN 或 RNN。大多数关于时间序列预测和 Keras 的教程和其他信息在他们的网络中使用一维输入,但我的将是 3D (N frames x rows x cols)
我目前真的不确定解决这个问题的好方法是什么。我的想法包括:
(N x cols x rows)
的方式堆叠层和输出 (1 x cols x rows)
? 最佳答案
所以基本上每种方法都有其优点和缺点。让我们仔细检查您提供的方法,然后再检查其他方法以找到最佳方法:
LSTM
:它们最大的优势之一是能够学习数据中的长期依赖模式。它们的设计是为了能够分析长序列,例如语音或文字。由于数字参数可能非常高,这也可能导致问题。其他典型的循环网络架构,如 GRU
可能会克服这个问题。主要缺点是,在他们的标准(顺序实现)中,将其拟合到视频数据上是不可行的,原因与密集层对图像数据不利的原因相同 - 时间和空间不变性的负载必须通过完全完全的拓扑来学习不适合以有效的方式捕捉它们。将视频向右移动一个像素可能会完全改变网络的输出。LSTM
被认为类似于在两个竞争过程之间找到平衡 - 为类似密集的输出计算找到良好的权重,并在处理序列中找到良好的内存动态。找到这种平衡可能会持续很长时间,但一旦找到 - 它通常会非常稳定并产生非常好的结果。 Conv3D
:在它们最大的优势中,人们可以很容易地找到以与 Conv2D
相同的方式捕获空间和时间不变性的能力。在图像的情况下。这使得维度灾难的危害性大大降低。另一方面 - 与 Conv1D
相同。使用更长的序列可能不会产生好的结果 - 以同样的方式 - 缺乏任何内存可能会使学习长序列变得更加困难。 TimeDistributed + Conv2D
: 使用 TimeDistributed
包装器 - 可以使用一些预训练的卷积网络,例如Inception
逐帧,然后按顺序分析特征图。这种方法的一个真正巨大的优势是迁移学习的可能性。作为一个缺点 - 人们可能会将其视为 Conv2.5D
- 它缺乏对您的数据的时间分析。 ConvLSTM
: 最新版本的 Keras
尚不支持此架构(2017 年 3 月 6 日),但正如大家所见 here它应该在将来提供。这是 LSTM
的混合和 Conv2D
它被认为比堆叠更好Conv2D
和 LSTM
. TimeDistributed(ResNet)
转换视频然后输出馈送到Conv3D
具有多个积极的空间池化,最后由 GRU/LSTM
转换层。 4D
。与
(frames, width, height, channels
)。
3D
与
(frames, width, hieght)
你实际上可以使用经典的
Conv2D
(通过将
channels
更改为
frames
)来分析这些数据(实际上可能在计算上更有效)。在迁移学习的情况下,您应该添加额外的维度,因为
CNN
中的大部分都是模型使用形状为
(width, height, 3)
的数据进行训练.人们可能会注意到您的数据没有 3 个 channel 。在这种情况下,通常使用的技术是重复空间矩阵三次。
2.5D
方法是:
input = Input(shape=input_shape)
base_cnn_model = InceptionV3(include_top=False, ..)
temporal_analysis = TimeDistributed(base_cnn_model)(input)
conv3d_analysis = Conv3D(nb_of_filters, 3, 3, 3)(temporal_analysis)
conv3d_analysis = Conv3D(nb_of_filters, 3, 3, 3)(conv3d_analysis)
output = Flatten()(conv3d_analysis)
output = Dense(nb_of_classes, activation="softmax")(output)
关于machine-learning - 使用 Keras 进行视频预测(时间序列),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/42633644/
基本上,我的问题是,由于无监督学习是机器学习的一种,是否需要机器“学习”的某些方面并根据其发现进行改进?例如,如果开发了一种算法来获取未标记的图像并找到它们之间的关联,那么它是否需要根据这些关联来改进
生成模型和判别模型似乎可以学习条件 P(x|y) 和联合 P(x,y) 概率分布。但从根本上讲,我无法说服自己“学习概率分布”意味着什么。 最佳答案 这意味着您的模型要么充当训练样本的分布估计器,要么
是否有类似于 的 scikit-learn 方法/类元成本 在 Weka 或其他实用程序中实现的算法以执行常量敏感分析? 最佳答案 不,没有。部分分类器提供 class_weight和 sample_
是否Scikit-learn支持迁移学习?请检查以下代码。 型号 clf由 fit(X,y) 获取 jar 头型号clf2在clf的基础上学习和转移学习 fit(X2,y2) ? >>> from s
我发现使用相同数据的两种交叉验证技术之间的分类性能存在差异。我想知道是否有人可以阐明这一点。 方法一:cross_validation.train_test_split 方法 2:分层折叠。 具有相同
我正在查看 scikit-learn 文档中的这个示例:http://scikit-learn.org/0.18/auto_examples/model_selection/plot_nested_c
我想训练一个具有很多标称属性的数据集。我从一些帖子中注意到,要转换标称属性必须将它们转换为重复的二进制特征。另外据我所知,这样做在概念上会使数据集稀疏。我也知道 scikit-learn 使用稀疏矩阵
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时,我收到此警告: 用户
有几种算法可以构建决策树,例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法? 当我查看一些决策树 python 脚本时,它神奇地生成了带有
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时,我收到此警告: 用户
有几种算法可以构建决策树,例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法? 当我查看一些决策树 python 脚本时,它神奇地生成了带有
有没有办法让 scikit-learn 中的 fit 方法有一个进度条? 是否可以包含自定义的类似 Pyprind 的内容? ? 最佳答案 如果您使用 verbose=1 初始化模型调用前 fit你应
我正在使用基于 rlglue 的 python-rl q 学习框架。 我的理解是,随着情节的发展,算法会收敛到一个最优策略(这是一个映射,说明在什么状态下采取什么行动)。 问题 1:这是否意味着经过若
我正在尝试使用 grisSearchCV 在 scikit-learn 中拟合一些模型,并且我想使用“一个标准错误”规则来选择最佳模型,即从分数在 1 以内的模型子集中选择最简约的模型最好成绩的标准误
我正在尝试离散数据以进行分类。它们的值是字符串,我将它们转换为数字 0,1,2,3。 这就是数据的样子(pandas 数据框)。我已将数据帧拆分为 dataLabel 和 dataFeatures L
每当我开始拥有更多的类(1000 或更多)时,MultinominalNB 就会变得非常慢并且需要 GB 的 RAM。对于所有支持 .partial_fit()(SGDClassifier、Perce
我需要使用感知器算法来研究一些非线性可分数据集的学习率和渐近误差。 为了做到这一点,我需要了解构造函数的一些参数。我花了很多时间在谷歌上搜索它们,但我仍然不太明白它们的作用或如何使用它们。 给我带来更
我知道作为功能 ordinal data could be assigned arbitrary numbers and OneHotEncoding could be done for catego
这是一个示例,其中有逐步的过程使系统学习并对输入数据进行分类。 它对给定的 5 个数据集域进行了正确分类。此外,它还对停用词进行分类。 例如 输入:docs_new = ['上帝就是爱', '什么在哪
我有一个 scikit-learn 模型,它简化了一点,如下所示: clf1 = RandomForestClassifier() clf1.fit(data_training, non_binary
我是一名优秀的程序员,十分优秀!