假设我有一种方法或其他神经网络可以正确地对图像进行模式检测。我应该如何设计一个图像中有多个模式的神经网络？
假设在图像中，有 X 个模式需要检测，最好的方法是什么？ AFAIK 输出层神经元值应为 [-1,1]。我怎么知道是否有 X 数量的模式被识别？这是否意味着我必须对它可以识别的模式数量设置硬编码限制（因为输出神经元的数量是固定的）？
【问题讨论】：
标签： neural-network pattern-recognition
以下建议以人脸检测为例。 Github 上的这个Face Detection link 被描述为使用 Haar 分类器检测多重模式（即人脸）。如果您阅读了实现部分，它指出该算法使用scaleOption 和templateSizeOption 参数（以及其他参数）来控制在图像中检测到多少人脸。听起来您应该在给定图像的子空间或窗口中寻找特征（甚至可能是重叠的空间）。
scaleOption - 此参数用于指定 haar 特征的使用率 用于人脸检测将被缩放。一种 较低的比例选项意味着更多 将检测到人脸，而更高的 缩放选项将执行更快 检测，但可能会漏掉一些人脸 从输入图像。默认 比例值为 1.1，这决定了 增加特征维度 每一步 10%。
templateSizeOption – 用于 指定要在其中的最小区域 寻找一张脸。如果我们想 从特写图像中检测人， 大小应超过 40 像素， 否则为 25 个区域像素（即 默认值 ) 就足够了 检测大量人脸。
【讨论】：
templateSizeOption 的操作（即您可能能够拥有一种算法，该算法在每个原始图像的子集上使用 NN）。
要做到这一点，请使用 hopfild net.at 首先在相同的窗口中提取您的目标并保存在您的网络中。然后在您的图像中进行简单的算法搜索，并随时将网络的 sim 与您的目标进行比较，对于任何目标，使用单独的数组来保存结果。最后在每个数组中提取最近的模式。您可以使用一些图像在开始之前处理您的原始图像。
【讨论】：
是的，这可以通过神经网络来完成。我认为最实用的解决方案将涉及将神经网络应用于扫描图像的窗口。来自神经网络的多次命中意味着图像中有多个目标对象。
顺便说一下，神经网络不必位于 -1 .. 1 范围内。
【讨论】：