在我最新的项目中,我被要求训练一个深度卷积神经网络来检测足球运动员。问题是,我所有的正面标点符号都是从3-4个视频中提取出来的,每个视频中的草几乎都是相同的颜色。我正在寻找一种背景减法,可以将人体从绿色背景中分离出来。然后,我可以将草的颜色更改为不同的色调。是执行边缘检测还是颜色分割算法更好?有什么想法吗?谢谢
发布于 2017-06-21 02:02:34
问题
我如何解决我的CNN训练集中的草颜色(背景)都是相同的?
解决方案
这是一个问题吗?
测试是否存在问题的一种方法是查看经过训练的模型是否可以处理颜色变化,而无需重新训练。使用重新排序的颜色(蓝色变成红色,红色变成绿色,绿色变成蓝色)输入测试图像,看看它做得有多好。尝试对图像进行脱色处理,以便所有的颜色层都是黑白的。
如果你的CNN表现良好(在你的准确性测量的不确定性范围内),那么就没有问题。
也许颜色才是问题所在
也许颜色是个问题。尝试你的整个CNN只用黑白而不是3种颜色。如果使用b/w训练可以很好地完成训练,那么b/w模型可以作为边界检测器,您的颜色CNN可以用于其他方面,如团队检测。
风格迁移
使用style transfer NN将训练集图像从绿色草转换为“棕色草的样式”。
专门创建一个草检测器
训练一个CNN专门检测每个NxN (11x11)补丁中的草。使用它来创建一个与输入图像形状相同的位掩码,即“这是不是草的像素部分”的掩码。将其输出与输入图像逐点相乘,创建一个无草图像。目视验证它确实是草。将蒙版的反面应用于新背景,并添加无草图像和新背景。
发布于 2017-06-21 03:25:19
一个简单的解决方案可能是颜色分割,即选择颜色范围(草)并为其分配一个常量值,或者您可以更改绿色通道中的像素值。
https://stackoverflow.com/questions/44659728
复制相似问题