Las redes neuronales realmente convolucionales (convNet) son más adecuadas para el reconocimiento de imágenes que la detección de objetos. Pueden aprender características que son importantes para una tarea en particular.
En su caso, la tarea de detección de corrosión es un problema de reconocimiento, ya que no es necesario localizar la corrosión. Este también es un problema de clasificación binaria.
Puede abordar esto utilizando una convNet con una capa softmax de dos salidas. Una salida es para corrosión y la otra es para no corrosión. Dado que el softmax representa distribuciones de probabilidad, significa que si la probabilidad de corrosión es mayor que la de no corrosión, entonces concluimos que la corrosión está presente, de lo contrario no lo está.
- ¿Cuáles son algunas habilidades matemáticas altamente relevantes que se requieren si quiero comenzar a investigar en algoritmos de Machine Learning?
- ¿Se pueden usar los modelos ocultos de Markov como clasificadores binarios? Si es así, ¿cómo?
- ¿Existe algún método de aprendizaje profundo aplicado a la economía?
- ¿Por qué decimos que las redes neuronales simples no pueden manejar la entrada de longitud variable?
- ¿Cuáles son los posibles remedios si está atascado en la comprensión de la parte técnica de un trabajo de investigación de STEM?
Por lo tanto, una convNet es excelente para esta tarea. También puede intentar diseñar funciones y alimentarlas a máquinas de vectores de soporte de kernel (SVM), pero esto es un poco tedioso de lograr. El enfoque convNet encuentra las características correctas por sí solo a partir de ejemplos de capacitación. El único problema es que necesitará encontrar los hiperparámetros correctos.
Espero que esto ayude.
