什么是合适的Tensorflow模型来将图像分类为雾/不雾？
我想把在山区运行的多个网络摄像机拍摄的照片分类为雾/不雾。这些照片大小不一，是在不同的光照条件和不同的区域拍摄的。
我读过关于Tensorflow及其现成的图像识别模型的文章(当然，对于雾/非雾类，这些模型必须重新训练)。
然而，这些模型被训练成根据这些图像中的对象将图像分类。因为我想根据图像的整体外观来分类(模糊，灰色，遥远的物体很难被检测到，.)我想知道这些模型是否真的合适，或者是否有更好的方法来完成这项任务。任何帮助都是非常感谢的！
回答 1
Data Science用户
发布于 2019-01-08 22:42:58
从问题的声音，你可能可以做一些事情，从图像中提取一些特征，如他们有多少边缘，亮度(获得白天/夜晚)，平均颜色值。然后采用支持向量机、KNN、决策树、随机森林等更简单的分类算法。
Tensorflow现成的模型看起来是非常复杂的模型，有大量的层，所以它将需要很长的时间来训练和运行。从零开始培训他们也将非常困难(不过，再培训预培训网络可能会对此有所帮助)。所以我觉得他们可能有点过火了。还请注意，这些模型可能是根据imageNet数据集创建的，其中有1000个类，其中只有2个类。
很难知道什么会在没有看到图像或能够先尝试的情况下工作。
在尝试更慢、更复杂的方法之前，我先从更简单、更快的方法开始。因此，为了尝试特征提取和分类器，如果这不能学习良好的关系，然后转到一个基本的CNN，如果这不起作用，转到更复杂的CNN模型。
相对于内部的对象而不是整体的外观。对于CNN来说，使用不同的池层可以改变这种情况。例如：最大池将得到一个过滤器的最大值，因此可以在很大程度上受图像的一小部分影响，在那里，作为平均池，将更好地查看整个图像。
https://datascience.stackexchange.com/questions/43691
复制相似问题
腾讯云开发者
