به بخش پرسش و پاسخ یادگیری عمیق خوش آمدید,
این نسخه آزمایشی سایت است.
لطفا به نکات زیر توجه کنید:
  • برای ارتباط با مدیران میتوانید از صفحه مدیران اقدام کنید.
  • سوال و جواب ها باید به زبان فارسی باشند. استفاده از زبان انگلیسی یا فینگلیش برای پاسخ دادن مجاز نیست.
  • لطفا بعد از پرسش سوال لینک سوال خود را در گرو تلگرام (Iran Deep Learning Group) معرفی کنید تا سریعتر به جواب برسید. برای دسترسی به آخرین لینک از منابع یادگیری استفاده کنید
  • لطفا بجای عکس از متن استفاده کنید. اگر متون طولانی هستند از سایت pastebin.com برای اپلود استفاده کرده و لینک حاصل را در سوال خود قرار دهید. برای قرار دادن تصویر ، از بخش ارسال تصویر ادیتور سایت استفاده کنید.
  • بعد از دریافت پاسخ، بهترین پاسخ را از طریق کلیک بر روی علامت تیک انتخاب کنید
  • اگر با خطا و یا مشکلی مواجه شدید از بخش تماس با ما در انتهای صفحه و یا ایمیل Coderx7@gmail.com موضوع را اطلاع دهید.

با تشکر

دسته بندی ها

0 امتیاز

سلام،
آیا مدل pre-train شده برای تصاویر grayscale وجود دارد؟ (حاوی یک کانال به جای سه کانال)
چندین مدل در لینک مستندات Keras معرفی شده اند.
https://keras.io/applications/#documentation-for-individual-models
کدام یک از آنها مناسب خواهند بود؟
متشکرم

توسط (100 امتیاز)

1 پاسخ

+1 امتیاز

سلام

اینکه وجود داره یا نه رو باید سرچ کنید توی کاربردهای مختلف. مثلا اول دیتاستی پیدا کنید که تصاویرش gray باشه، بعد ببینید شبکه ای روش آموزش داده شده یا نه

اما یه کار ساده ترم میشه استفاده کرد که از همون شبکه هایی که روی RGB آموزش داده شدن استفاده کنید فقط برای ورودی، تصویر gray خودتون رو 3 بار کپی کنید که 3 کاناله بشه

توسط (1.6k امتیاز)
بسیار سپاسگزارم
میتونید از این تابع در متلب استفاده کنید
function Iout = readAndPreprocessImage(filename)
% --------------------------------------------------------------------

        I = imread(filename);

        % Some images may be grayscale. Replicate the image 3 times to
        % create an RGB image.
        if ismatrix(I)
            I = cat(3,I,I,I);
        end

        % Resize the image as required for the CNN.
        Iout = imresize(I, [227 227]);

        % Note that the aspect ratio is not preserved. In Caltech 101, the
        % object of interest is centered in the image and occupies a
        % majority of the image scene. Therefore, preserving the aspect
        % ratio is not critical. However, for other data sets, it may prove
        % beneficial to preserve the aspect ratio of the original image
        % when resizing.
end
ممنون و سپاسگزارم
...