Una forma de segmentar el césped es aplicar una técnica de filtrado basada en parches. Podría generar un pequeño conjunto de entrenamiento de unos cientos de parches de hierba en diferentes lugares, orientaciones e iluminaciones (todos normalizados a escala de grises) y luego entrenar un modelo de aprendizaje automático como un SVM en estos parches positivos. Para parches negativos, muestre parches al azar desde la mitad superior de la imagen (también conocida como Minería negativa negativa).
Una vez que tenga este SVM, se convierte en un proceso simple de muestreo de parches a diferentes escalas en la imagen y puntuación de cada parche, ¿es un parche de hierba o no? Una vez que tenga todos los parches que se puntúan como parches de hierba, puede usar las ubicaciones espaciales de esos parches para seleccionar qué partes de la imagen son hierba.
Creo que un enfoque más fácil sería encontrar propuestas de objetos utilizando algo como la Búsqueda selectiva y luego marcar todo lo demás como fondo. Si la posición de su cámara en el robot es constante, use la altura de la cámara para hacer una estimación del horizonte y separar el cielo de la tierra. Por supuesto, esto significa que la tierra podría ser cualquier terreno y no solo pasto.
- ¿Cómo construiría un sitio web que utiliza el aprendizaje automático (qué marcos para frontend y backend, Python o R)?
- ¿Cuál es la diferencia entre el filtrado basado en contenido y el filtrado colaborativo?
- ¿Cuáles son las diversas aplicaciones del aprendizaje automático en ciencias de la salud / ciencias de la vida?
- ¿Qué aspecto de los algoritmos de las redes de aprendizaje profundo requieren GPU además de, o en lugar de, CPU, y por qué?
- ¿Qué opinas de la exageración actual sobre Deep Learning?
