Поделиться через


featurizeImage: преобразование конструирования признаков из изображения Машинного обучения

Делит изображение на компоненты, используя предварительно обученную модель глубокой нейронной сети.

Использование

  featurizeImage(var, outVar = NULL, dnnModel = "Resnet18")

Аргументы

var

Входная переменная, содержащая извлеченные пиксельные значения.

outVar

Префикс выходных переменных, содержащих признаки изображения. Если задано значение NULL, будет использоваться имя входной переменной. Значение по умолчанию — NULL.

dnnModel

Предварительно обученная глубокая нейронная сеть. Возможными вариантами являются следующие.

  • "resnet18"
  • "resnet50"
  • "resnet101"
  • "alexnet"
    Значение по умолчанию — "resnet18". Подробные сведения о ResNet см. на странице Deep Residual Learning for Image Recognition.

Сведения

featurizeImage конструирует признаки из изображения, используя определенную предварительно обученную модель глубокой нейронной сети. Входные переменные для этого преобразования должны быть извлеченными пиксельными значениями.

Значение

Объект maml, определяющий преобразование.

Авторы

Корпорация Майкрософт Microsoft Technical Support

Примеры


 train <- data.frame(Path = c(system.file("help/figures/RevolutionAnalyticslogo.png", package = "MicrosoftML")), Label = c(TRUE), stringsAsFactors = FALSE)

 # Loads the images from variable Path, resizes the images to 1x1 pixels and trains a neural net.
 model <- rxNeuralNet(
     Label ~ Features,
     data = train,
     mlTransforms = list(
         loadImage(vars = list(Features = "Path")),
         resizeImage(vars = "Features", width = 1, height = 1, resizing = "Aniso"),
         extractPixels(vars = "Features")
         ),
     mlTransformVars = "Path",
     numHiddenNodes = 1,
     numIterations = 1)

 # Featurizes the images from variable Path using the default model, and trains a linear model on the result.
 model <- rxFastLinear(
     Label ~ Features,
     data = train,
     mlTransforms = list(
         loadImage(vars = list(Features = "Path")),
         resizeImage(vars = "Features", width = 224, height = 224), # If dnnModel == "AlexNet", the image has to be resized to 227x227.
         extractPixels(vars = "Features"),
         featurizeImage(var = "Features")
         ),
     mlTransformVars = "Path")