Pollen mit neuronalen Netzen klassifizieren
Dieses Beispiel demonstriert die Klassifizierung von Pollenproben aus Tulpen, Hibiskus, Narzissen, Mohn, Lavendel und Efeu unter Verwendung von Bildeigenschaften und neuronalen Netzwerken. Es wird ein Datensatz verwendet, der den Pollenamen, das Probenbild der Blume, die Größe des Pollen und einige wenige unter dem Mikroskop aufgenommene Probenbilder enthält.
Visualisieren Sie das erste Element des Datensatzes.
Die Herausforderung besteht darin, ein neuronales Netz mit einer kleinen Anzahl von Daten zu trainieren. Beachten Sie, dass dieser Datensatz nur 43 Beispieldateien enthält.
Der Trick heißt Transferlernen und Datenvergößerung.
Der folgende Befehl ergänzt Bilder durch Rotation und Spiegelung.
Generieren Sie einen Zufalls-Trainingsdatensatz mit 344 Stichproben durch Augmentation.
Sie können das Transferlernen nutzen, indem Sie einen Feature-Extraktor auf der Grundlage eines neuronalen Netzes entwickeln, der mit allgemeinen Bildfunktionen trainiert wurde.
Konvertieren Sie alle Pollenbilder in 157-dimensionale, semantische Merkmalsvektoren.
Visualisieren Sie die Merkmale der neuronalen Netze über den dreidimensionalen 
-Distributed Stochastic Neighbor Embedding-Algorithmus (t-SNE).
Erstellen Sie ein kleines, zweischichtiges neuronales Netz, das als Pollenklassierer fungiert.
Trainieren Sie das neuronale Netz.
Wenden Sie das neuronale Netz auf einen neuen Satz von Pollenbildern an.
