在keras中使用lstm检测序列中的模式长度

Question

我正在使用 LSTM 网络来检测道路上的坑。我有一个数据集，其中包含汽车每个车轮的轮速。当出现坑时，接下来的 40 个标签为“1”。所有其他标签均为“0”。这是我的模型：

model = Sequential()
model.add(LSTM(64,input_shape=(len(X_train[0]),1),return_sequences=True))
model.add(Dropout(0.5))
model.add(Activation('relu'))
model.add(BatchNormalization())
model.add(LSTM(64,input_shape=(len(X_train[0]),1),return_sequences=True))
model.add(Dropout(0.5))
model.add(Activation('relu'))
model.add(BatchNormalization())
model.add(TimeDistributed(Dense(1)))
model.add(Activation('sigmoid'))

由此我得到了一些非常好的预测： Top: predicted, bottom: labels 现在我想计算发现序列的长度，也就是坑本身。这就是我挣扎的地方。我正在考虑使用某种窗口。窗外的一切都设置为 0，里面的一切都保持原样。这个解决方案的问题是我的预测是错误的。因为我更改了数据，所以即使没有坑，网络似乎也找到了坑。有谁知道我如何以不同的方式找到坑的长度？

Answer 1

假设坑是连续的，而不是预测每个点是否坑，你可以让网络根据移动窗口预测从正常到坑和坑到正常的变化。这仍然是一个多标签分类问题。现在，您可以根据模型预测的变化点计算坑的长度，知道您从法线表面开始。