سلام. فقط بخش های مربوط از مقاله را اینجا کپی میکنم که توضیح داده های target و تقسیم بندی به train و test در آن واضح است! The subset contains three artificial fabric targets namely red_felt, blue_felt and red_cotton. There are seven instances each of these three targets. Red_felt targets have been referred as RF1–RF7, blue_felt targets as BF1–BF7 and red_cotton targets as RC1–RC7. Targets with IDs 1, 2 and 4 in respect of all the fabrics are full pixel, and targets with IDs 3 and 5 are sub pixel. Target with IDs 6 and 7 of all the three fabric targets are occluded under the tree and are not considered in this study. The dataset used for this part of the study consists of laboratory measured reflectance spectra of three fabric targets obtained in the spectral range 390–2450 nm. There are three fabric targets namely red_felt (RF), blue_felt (BF) and red_cotton (RC) and these have been placed on three backgrounds namely spectralon (B1), black satin (B2) and black table (B3). Thus, spectra of a total of nine target-background pairs of three fabric targets placed on three backgrounds have been used as input data. For each target background, 30 samples of its spectra are available. Thus for all target-background pairs, a total of 30x9 reflectance spectra are available. Out of these 30 samples, 20 samples have been used for training the ANN whereas 10 samples have been used for its testing. Further, each of the reflectance spectrum has been measured for a complete optical wavelength range i.e. 390–2450 nm. For investigating influence of different wavelength regions on target detectability, each reflectance spectrum (composed of full wavelength range) has been divided into eight subset spectra covering different wavelength regions namely VIS (400–700 nm), NIR (700–1000 nm), VNIR (400–1000 nm), SWIR1 (1000–1200 nm), SWIR2 (1000–1700 nm), SWIR3 (1800–2000 nm), SWIR4 (2100–2450 nm) and FULL (390–2450 nm). These sub regions have been chosen after carrying out several trial experiments. Therefore, 160 samples (i.e. 20 samples X 8 subsets) for training and 80 sample (i.e. 10 samples X 8 subsets) for testing have been used.

سلام یعنی شما یک تصویر با ابعاد مورد نظر دارید و برای این تصویر یک منحنی امضای طیفی به عنوان تارگت دارید. کل پایگاه داده شما همین است؟ و اینکه هدف نهایی چیست؟ فرض کنید یک شبکه عصبی یا هر الگوریتم supervised دیگری دارید، میخواهید برای شما چه کار انجام دهد؟

سلام در اصل قضیه تفاوتی وجود نداره. فرض کنید شما N تصویر دارید که به ازای هر کدام منحنی امضای طیفی آزمایشگاهی دارید. یعنی در هر صورت و جدای از نوع الگوریتم (شبکه عصبی یا هر روش supervised دیگر)؛ تعداد ورودی با تعداد خروجی یکی است و تفاوت در تعداد ویژگی های ورودی و خروجی است! به نظرم شما نیاز به استاد مشاور برای راهنمایی بیشتر در انجام پایان نامه دارید. موفق باشید

سلام تصاویر فراطیفی به عنوان ورودی input و امضای طیفی آزمایشگاهی به عنوان خروجی target در نظر گرفته میشود. فرض میکنیم شما 1000 نمونه از این ورودی ها و خروجی ها دارید که اینها را به train و test افراز میکنید. باقی موارد مربوط به انتخاب الگوریتم و اعمال آن است. موفق باشید

سلام کاربرد شبکه عصبی به قدری متنوع است که واقعا ظلمه اگر به چند مورد اشاره شود. مثلا در مقاله زیر از شبکه عصبی استفاده شده است https://www.mdpi.com/2072-4292/12/21/3561 پی نوشت: خود شبکه های عمیق نیز نوعی شبکه عصبی هستند که امروزه محبوبیت بالایی دارند! اگر به راهنمایی دقیق تر نیاز دارید، موضوع کاری خود را بفرمایید. موفق باشید

سلام بله، شبکه عصبی چند لایه پرسپترون نیز در این آموزش وجود دارد و در توضیحات محصول نیز بیان شده است.

سلام مطمئن نیستم که در مسئله شما بتونم کمک کنم در هر حال میتوانید با ایمیل در ارتباط باشید Kakooey.m@gmail.com موفق باشید

سلام مجدد آموزش ها را مجددا بررسی کنید به جز شبکه LVQ که یک شبکه خوشه بندی است، بقیه شبکه ها مبتنی بر Label ها آموزش دیدند و به طبقه بندی پوشش منطقه در تصاویر پرداختیم. برای تست علاوه بر تصاویر سنتینل-۲ و لندست-۸ که طبقه بندی LC با شبکه عصبی در آن ها انجام شد، از تصاویر هوایی با رزولوشن ۵ سانتی متر نیز بهره بردیم و در یک کاربرد Semantic Classification این طبقه بندی را براساس Label های موجود، انجام دایدم. موفق باشید

سلام و سلامت باشید در تمام آموزش از داده های دارای Label که در فرمت csv ذخیره شده بود برای آموزش شبکه استفاده شده و بعد از آموزش شبکه، آن را به یک تصویر اعمال کردیم. منظور شما چیست؟

با عرض سلام و خسته نباشید آقای مهندس ممنون بابت مطالب عالی که ارائه کردید فقط برای من یک مسئله که خیلی اهمیت داره و حل نشد در این آموزش، در ارتباط با طبقه بندی تصاویر به شکل SUPERVISED و با داشتن نقاط LABEL دار و یا هر نوع داده ای که از قبل LABEL خورده و کلاس های مشخی داره (نقشه های طبقه بندی شده براساس روش های ماشین لرنینگ سنتی، یا هر روش دیگری) و معرفی اون به عنوان TARGET به چه نحو باید این کار رو انجام بدیم