Features
Tomov, Stefan
Hallo zusammen,
wir beschäftigen uns mit dem Deep Learning Ansatz und haben mit den puren/segmentierten Daten wenig Erfolg gehabt auf unserem Modell.
Holger hatte uns allen vor ein paar Tagen die Features zukommen lassen, die die x,y,z-Koordinaten enthalten.
Es wäre vllt. für uns alle von Vorteil, wenn wir unsere Features teilen, sodass man andere Features mit dem Modell das man nutzt testen kann.
Für uns wären z.B. die HMM Features noch interessant.
Wir haben bisher die rohen Daten genutzt und haben dazu png’s für depth und flag Bilder und diese umgewandelt in das CSV Format, da wir ja gedacht haben dass unser Approach die Features von selbst lernt.
Hier der Link zu den PNGs und CSV‘s: http://www.grtlr.com/share/bags.tar.gz
Viele Grüße und Danke,
Stefan und Julio
--
Sie haben diese Nachricht erhalten, weil Sie der Google Groups-Gruppe Praktikum Maschinelles Lernen beigetreten sind.
Um Ihr Abonnement für diese Gruppe zu beenden und keine E-Mails mehr von dieser Gruppe zu erhalten, senden Sie eine Email an praktikum-maschinell...@googlegroups.com.
Weitere Optionen: https://groups.google.com/groups/opt_out
Jan Kleindieck
hier unsere extrahierten Features. Da ist die Segmentierung noch die Originalversion ohne Backgroundsubtraction und wir haben noch zusätzlich zum Schwerpunkt eine Ellipse um die Handsegmentierung gelegt. Teilweise ganz gut Ergebnisse, teilweise miserabel, was aber leider bei den Aufnahmen nicht anders zu machen ist.
Aufgebaut sind die .csv Dateien so:
x,y,z,w,h,fläche,(normalisierteFläche),sin(Winkel)
Ich hoffe es hilft dir weiter!
Gruß, Jan
Holger Caesar
Damit solltet ihr auf etwa 50% Performance kommen..
Tomov, Stefan
Hi Jan und Holger,
vielen Dank für eure Hilfe!
Echt super J
Bin schon gespannt was das Deep Belief Netz ausspuckt mit euren Features.
Wenn Ergebnisse da sind werden wir Meldung geben ;)
Allen ein schönes We und Danke,
Stefan
Jan Kleindieck
Bei uns kommen wir so im Schnitt auf eine Erkennungsrate von 60 %, dabei teilen wir die Daten 10 mal zufälllig in 30% Testdaten und 70% Trainingsdaten auf und berechnen dann den Durchschnitt der Ergebnisse...Da die Daten qualitativ leider ziemlich unterschiedlich sind, schwanken die Ergebnisse ordentlich!
Gruß, Jan