Part1:今日目標

1.瀏覽資料集，註記資料特徵
2.網路上相關專案實作資訊蒐集
3.專案進度

Part2:內容

1.瀏覽資料集，註記資料特徵

(1)題目: 對圖片影像做分類，共33類

圖片來源:AIdea

• 每種類別的圖片數量是否差不多，還是有資料不平衡的問題?
• 資料量很大(170GB)，先抽樣部分圖片訓練出baseline結果，後續再進一步優化。

(2)資料集樣態

圖片來源:AIdea

• 若準心座標為(0, 0)，則為"無準心"。
• 作物佔整張圖片很小部分，要先做圖片裁切，避免模型訓練時吃進太多雜訊。
• 標籤為"非作物"的圖片有很多類(欄杆、休耕、飼養場所)。

(3)以「asparagus蘆筍」資料夾為例:

• 圖片幾乎都是草.. 用肉眼幾乎看不出來，也沒有果實可輔助判斷(所以才需要AI XD
• 圖片名稱為亂數沒有規律，但有產地位置(country & town)也許能協助模型判斷。
  
  圖片來源:AIdea

2.網路上相關專案實作資訊蒐集

• 影像辨識流程:

影像輸入 > 資料前處理 > 切割 > 辨識分類模型

• 資料前處理:
  • 灰階化: 辨別文字，不應受文字色彩影響。
  • 去雜訊: 亮度對比、濾波器、去除噪點。
  • 補點: 補足因去雜訊所造成資料缺陷。
• 圖片裁切: (輪廓、擷取、正規化)
  • OpenCV: 給定要裁切區域(適用:有準心位置的圖片)。推薦:Open CV操作筆記
  • 區域候選網路: 讓神經網路自動偵測要裁切的區域(適用:沒有準心的圖片)。
• Faster R-CNN:
  • CNN: 進行特徵抽取。
  • 區域候選網路: 偵測物體所在位置。
  • 全連接層&Softmax: 目標物分類。

3.專案進度

• 資料集下載一半。
  今日工時: 50min*3

千里之行，始於足下
A journey of a thousand miles begins with a single step.