Bueno, la respuesta es un poco complicada porque la pregunta no es clara. La respuesta depende del problema y el dominio en el que está trabajando. Las imágenes se codifican en características, las características se utilizan para la discriminación y el reconocimiento de objetos. Las características son los códigos comprensibles de la máquina que describen las características de diferentes objetos presentes en una imagen. Pueden o no ser entendibles para los humanos cada vez.
Las características de los objetos pueden ser información geométrica como área, perímetro, redondez, circularidad y rectangularidad; parámetros estadísticos como la media, la desviación estándar de una parte o la totalidad de la imagen. Información de color, información de histograma también utilizada como características.
Las propiedades ideales de las características son: Deben ser invariables a los cambios de escala, traslación, rotación y condiciones de iluminación. Características como SIFT, SURF satisfacen estas propiedades. Por lo tanto, debe revisar los requisitos de su problema y seleccionar el algoritmo apropiado para resolverlo de manera eficiente.
- Hipotéticamente, ¿sería posible cultivar tejido cerebral usando células madre y luego usarlo como un procesador distribuido para tareas de aprendizaje complejas?
- ¿Hay algún otro enfoque para resolver el sobreajuste además de la deserción y la normalización por lotes en el aprendizaje profundo?
- ¿Cómo se usa el análisis de componentes principales en el procesamiento del lenguaje natural?
- ¿Por qué se usan capas completamente conectadas en el “extremo” [lado de salida] de las NN convolucionales? ¿Por qué no antes?
- ¿Cómo funciona el modelo de red neuronal profunda en la predicción de regresión en los datos del sensor?
No se pueden justificar las ventajas y limitaciones de la ejecución de diferentes algoritmos. Ningún algoritmo de selección de características es superior a otros. El rendimiento del algoritmo depende en gran medida del conjunto de datos en el que está trabajando.
