Распознавание облаков на спутниковом снимке?

Question

[Vitaliy]

Попробовал разделить снимок 512х512 на части 32х32, по которым нужно научить сеть и в дальнейшем распознавать. Примеры:

Без облаков:


С облаками:


Используя Synaptic, построил сеть с 16*16*4 входных, 32 скрытых и 2 выходных.
16*16 потому, что для уменьшения времени вычислений сделал ресайз частей снимка. А *4 - беру во внимание каждый канал, так как скорее всего цвет играет некую роль.

Вручную определяют несколько частей с облаками и без (выходы 1,0 или 0,1 соответственно). В 20-50 итераций проводил обучение, но в результате при проверке для любых частей выходы получаются примерно одинаковыми(отличаются только на тысячные)

Как правильно работать с такими данными? Нужна ли предварительная нормализация изображения? Сколько слоев и нейронов в скрытом слое должно быть?

UPD:
На данном этапе выяснилось, что таким образом, скорее всего, определить безоблачные части сложно без большой обучающей выборки. Попробовал получить из снимков за несколько дней минимальные значения яркостей. Таким образом итоговый цвет пикселя будет принимать яркость из одного изображений, в котором скорее всего нет облаков. Но получается так, что не для всех областей есть снимки без облаков, поэтому получаются шумы
Оригинал

Минимальные яркости из изображений за последние 25 дней


Но все же, вопрос остается открыт, а основная задача в какой-то мере решена, но решение нуждается в улучшении

Answer 1

[Арсений Кравченко]

Не очень понятна задача: это классификация или сегментация?
В любом случае, кажется, что вы пробуете использовать multilayer perceptron, которого для такой задачи не хватит - понадобится сеть с convolutional слоями.

Comments

[Vitaliy]

классификация

Answer 2

[ivodopyanov]

Какая функция активации на выходе? Softmax?

Плюс ведь тут незачем делать 2 выхода, достаточно одного. 0 - нет облака, 1 - есть облако.

Comments

[Vitaliy]

https://github.com/cazala/synaptic/wiki/Neurons#sq...
Хоть с одним выходом, все равно почти одинаков для всех

[ivodopyanov]

Какой объем обучающей выборки?

[Vitaliy]

ivodopyanov: от 2 до нескольких десятков, результат непредсказуем

[ivodopyanov]

Для обучения нейронных сетей требуется больше данных. Например, стандартный датасет для распознавания рукописных цифр MNIST - это 60000 обучающих примеров и 10000 тестовых.

[Vitaliy]

ivodopyanov: столько просто негде взять, да и не ясно почему не достаточно 2 абсолютно разных изображения, чтобы хоть как-то их же и отличать, а то выходит, что и их не распознает

[ivodopyanov]

Где взять данные, тем более размеченные - это один из камней преткновения в машинном обучении.

Человек может обучиться распознавать облако\не облако на двух изображениях, потому что у него уже есть знание, как обычно выглядят облака, как выглядит земля, что обычно показывается на фотографиях из спутника и т.д. Нейронная сеть же начинает с чистого листа, для неё изображение - это просто набор пикселей.
Разве наличие облака - это единственный признак, по которому отличаются два изображения? На одном земля желтая, на другом - серая. Чтобы сеть могла понять, что это нерелевантные признаки для классификации, ей и нужно больше данных.

Так ли нужно машинное обучение? Нельзя ли определять просто по проценту белых или близко к белому пикселей?

[Vitaliy]

ivodopyanov: есть места со снежным покровом, поэтому по признаку яркости (белого цвета) не получится распознать. Пока что нашел выход в построении изображений следующим образом: беру снимки за несколько дней (облака на них разные), получаю минимальные яркости пикселей среди всех изображений, и если хотя бы на одном изображении в определенном участке нету облаков, то оно записывается в новое изображение. Но получается так, что для пары десятков снимков все равно есть места, где нет абсолютной безоблачности и получаются шумы

[Vitaliy]

обновил вопрос