Можно ли использовать сеть глубокого обучения для коллекции неподвижных изображений?

Вы можете использовать глубокое обучение для этой задачи, но это не рекомендуется, если вы не имеете дело с некоторыми очень специфическими случаями. Для вашей задачи вы хотите найти конкретное изображение в другом изображении, а не выучить из набора изображений абстрактный класс (например, как выглядит собака), как это обычно делается в задачах обучения.

Существует множество хорошо известных, быстрых и точных алгоритмов обработки изображений, которые решают эту проблему, и все они основаны на извлечении признаков из ваших исходных изображений и обнаружении признаков в невидимом изображении. Конкретную реализацию этого решения с использованием OpenCV можно увидеть здесь или узнайте больше, прочитав об обнаружении функций.

На момент написания этой статьи сверточная нейронная сеть Яна Лекуна (глубокое обучение) была самой современной для распознавания изображений. Если вы знакомы с Lua, вы можете попробовать Facebook Torch @ http://torch.ch/ (скорее всего Янн в некоторой степени связан с этой библиотекой глубокого обучения, так как он возглавляет группу искусственного интеллекта в Facebook). Однако документация несколько ограничена, и я слышал, что есть кривая обучения...

Если вы ищете платформу глубокого обучения с открытым исходным кодом на основе Python, управляемую сообществом, я рекомендую Theano. Вот учебник по сверточной нейронной сети: @ http://deeplearning.net/tutorial/lenet.html . Я использовал его в исследовательском проекте (многозадачное глубокое обучение). Откровенно говоря, кривая обучения Theano жестока (у него странный синтаксис), но он работает хорошо, а учебные пособия — самые обширные, которые моя исследовательская группа смогла найти в Интернете.

Если вы решите, что хотите, чтобы все работало быстрее, и у вас есть деньги, вы можете инвестировать в видеокарту, совместимую с Nvidia Cuda. Theano может хорошо масштабироваться на мощной карте Nvidia с несколькими тысячами ядер Cuda. В моем случае (для исследовательских целей) я просто запустил Theano на процессорах в системе HTCondor в UWMadison (он достаточно хорошо справился с пирамидальной задачей глубокого обучения с 40 гигабайтами данных).

Еще одна мысль: текущая версия учебника Theano, на который я ссылался, использует сигмовидные активации - для этого требуется этап предварительной подготовки (из-за проблемы с исчезающим/взрывающимся градиентом). Однако, если вы переключитесь на ректифицированные линейные единицы (ReLU), вы можете пропустить этап предварительной подготовки (ReLU не страдает от этого ограничения, поэтому в настоящее время он популярен в исследованиях). Однако, если вы новичок в Theano, вы можете просто начать с сигмоидов, поскольку система уже построена правильно (проще просто изменить учебник, если вы пытаетесь быстро заставить что-то работать)