Вместо ряда Винера использовал сумму степенных рядов.(для одного нейрона с n количеством входов).В статье использовал только сигмоиду как функцию активации.
Наверно это неправильно, потому что если бы это было так, то для одинаковых картинок процент совпадения был бы 100%.Однако, процент совпадения одинаковых изображений равен нулю.Следовательно, правильной была бы формула (1-число)*100.В этом случае мы получаем следующий результат.Для 0.141 получаем (1-0.141)*100=85,9%, для 0.180 получаем (1-0.180)*100=82%, а для 0.152 мы получаем(1-0.152)*100=84,8%.Это как то подозрительно одинаково как для разных картинок, так и для одинаковых.Следовательно, на 100 умножать неправильно.
Хорошо.Моя программа создает процент совпадения волновой-контурной памяти.При одинаковых изображениях процент совпадения равен 100%.Объясните пожалуйста, как можно использовать ваши цифры 0.141,0.180, и 0.152, и как их преобразовать в проценты? Я понял, что если изображения абсолютно похожи, ваша программa выдаст нули.Как найти процент совпадения изображений вашим способом?
Хорошо.Сфотографируйте два похожих объекта(не одинаковых, а похожих) преобразуйте их оба в гиф, потом преобразуйте их обратно в RGB, сравните их своей программой, и сообщите здесь.
gif-это 8 битное изображение, которое сдержит палитру цветов.Если взять пару немного отличающихся изображений, например с 15 и 14 тысячами цветов, и преобразовать их в 255-цветное gif изображение, палитры для одного и другого изображения будут различны.Ваш алгоритм «попиксельного подсчета дистанции» работать не будет, поскольку при обратном преобразовании из палитры gif-а в RGB изображения будут искажения цветов.
Вы плохо читали мою статью.Или картинки действительно не загружаются.Посмотрите работу программы.Там довольно много разных контуров.Так как контура разные, и их разное количество, то и описателей разное количество.Следовательно, и последовательность последовательности единичек и отрицательных единичек разная.Эта последовательность и составляет волновой описатель.По поводу круга, квадрата и треугольника вы правы, но только для одного контура.Вы не потрудились преобразовать один считанный(зеленый) контур в черное изображение, и построить следующий контур.Следующий контур может отличаться от предыдущего, а может быть похожим на него.Кроме того, мы ведем контур также от краев изображения.В итоге полная последовательность последовательности единичек и отрицательных единичек для круга, квадрата и треугольника отличается.Признайте свою ошибку.
Вы не правы.Для разных изображений(бинарных) волновая память различна.Да, волновая память работает грубее, и могут быть изображения, для которых она будет совпадать, но нужно учитывать тот факт, что в реальности изображения достаточно сложные, и для них будут созданы разные описатели волновой памяти.Обратная функция, которая может воссоздать из памяти изображение, похожее на оригинальное, существует, однако это тема отдельной статьи.
Грубо говоря, это нужно для сравнения частей изображений.Я собираюсь написать статью о классификаторе изображений, которому не требуется обучение.Понимаю, что сейчас пока ничего не понятно, но через 3 статьи ситуация должна проясниться.Сейчас я описываю базовые вещи, без них понимание классификатора не будет.
Да, я читал логику сознания Алексея Дмитриевича.Эти статьи изменили мой подход к машинному обучению.Однако нужно понимать, что это не последняя моя статья.
Это не совсем игра жизнь, потому что там 3 состояния, а у клеточного автомата их 2.Третье состояние(красные пиксели) плохо видно, да и к тому же они на следующей итерации все красные пиксели(активные) заменяются на черные пиксели(неактивные).
И в чем наблюдается сходство?