это OpenCV

хотя если у тебя не всегда четырехугольники, то можно попробовать просто морфологическое преобразование

Спасибо

Подскажите, какие стратегии оверсемплинга вы используете и почему? Так же есть ли у кого опыт применения андерсемплинга и почему вы выбрали такую стратегию?

Ребят, Вы встречались с подходом кластеризтвывать данные м для каждого кластера свои модели строить разные ? Есть ссылка на туториал как это лучше делать (?)

По поводу той задачи, вот какие варианты есть для решения проблемы с монетами. Пока что самый оптимальный для меня 1 нейросети

Используя классический CV:
Выделяем углы изображения.
Находим самый большой элипс на картинке с вероятностью больше threshold, нормируем картинку, чтобы элипс был кругом, фон делаем черным. Можем повесить histeq или ещё что-нибудь.
После вращаем одну картинку относительно второй. Пытаемся найти наибольшее сходство лапласиана logpol координат. Таким образом, можем выравнить по повороту. После можно проверить части на сходство и как-то опеределить, что какие части не схожи.
Проблема в том, что на некоторых монетах ту часть, которую надо отметить в разы меньше чем у других монет может быть царапина. Соответсвенно, этот вариант не может работать...

Используя нейросети:
1. Разметить какие монеты относятся к одной группе, а какие монеты относятся к другой группе. Построить нейросеть из двух сиамских сверточных сетей. После обучаем их говорить да, когда шлём им две монеты с одинаковой группой и нет, когда шлём им две монеты из разных групп. (Группа - год). После используем один из методов наблюдения за вниманием сети (grad-cam, активация spatial attention или guided backprop), чтобы понять на основе чего нейросеть сделала вывод.

2.  Разметить данные для сиамской сегментации. Использовать сиамский U-net like сеть.

3. Сделать свертку и на вход слать 6 каналов два изображения (херня идея)

Приглашаем вас на онлайн-трансляцию "Практика применения аналитических инструментов Oracle в дистрибуции Schneider Electric". Представители компании Schneider Electric расскажут, как с помощью Oracle Analytics Cloud они собирают и обрабатывают 90% данных автоматически.

Когда: 7 октября 2020 г. в 11:00 Мск
Принять участие: https://vk.cc/aAwIYe

Небольшой вопрос. У меня сетка при большем количестве данных выдает значения NaN.
Погуглил, нашел по аутпуту по крайней мере похожий аутпут.
https://discuss.pytorch.org/t/model-returning-nan-as-output/82510/7

Там речь идет об exploding values.
НаН получается когда значение слишком большое?

С меньшим количеством данных на компе у меня норм получается результат:
enc, dec = net(input)
А с большим количеством данных на сервере с gpu появляются NaN.

сетка такая

генератор норм, значения принтил, нанов нет

Странно что на компе с теми же данными, но в меньшем количестве (но при этом все остальные параметры тренинга, и размерность в 2049 и тд, одинаковые) работает норм.

Ищи сначала взрывы, вообще дебагингом решается)

У меня тоже сегодня были, забыл сигмоиды на выходе приписать.

в фоварде есть функции активации. дебагинг затруднен, так как с тем большим количеством данных, с которым это происходит, можно прогонять только через ssh. По крайней обычно не дебажу через терминал.

говорили может батч нормы еще попробовать

так как больше разности при большем кол. данных

пропринтить результаты каждого из шагов форварда?
ну допустим после одного из четырех слоев действительно взрываются, какие солюшены?

Пропринтить среднее значение после каждого слоя

У тебя bn не стоит после весовых слоёв?

это сетка полностью из статьи, в которой ее протестили на 13 датасетах, включая один геномный.
Нет, в ней нет бн вообще.