Mam bardzo rzadkie dane wejściowe, np. Lokalizacje niektórych funkcji na obrazie wejściowym. Co więcej, każda funkcja może mieć wiele detekcji (nie jestem pewien, czy będzie to miało wpływ na projekt systemu). Będę to przedstawiał jako obraz binarny kanału k z pikselami ON reprezentującymi obecność tej cechy i odwrotnie. Widzimy, że takie dane wejściowe muszą być bardzo rzadkie.
Czy są więc jakieś zalecenia dotyczące korzystania z rzadkich danych w sieciach neuronowych, w szczególności danych reprezentatywnych dla detekcji / lokalizacji?
neural-networks
deep-learning
sparse
użytkownik3246971
źródło
źródło
Odpowiedzi:
Możesz spróbować użyć osadzania funkcji w celu zmniejszenia wymiaru przestrzeni wejściowej. Coś w stylu word2vec w NLP, wygląda na to, że może mieć zastosowanie w twoim przypadku, ponieważ twoje funkcje są binarne (On / Off).
źródło