Utilisation d'OpenCV pour reconnaître des motifs graphiques - page 2
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Merci pour la vidéo, je suis accroc : )
Ce n'est pas exactement ce dont nous avons besoin, mais c'est bon pour l'éducation générale. Nous devons reconnaître (mémoriser, peu importe) 2 motifs graphiques et les comparer pour déterminer leur similitude. Je ne suis pas sûr qu'il faille former un réseau neuronal pour cette tâche.
Il est évident que vous ne comprenez pas bien ce qu'est OpenCV. Il s'agit d'une bibliothèque d'opérations matricielles/vectorielles rapides fonctionnant sur plusieurs cœurs d'ordinateur ou plusieurs cœurs de carte graphique.
La reconnaissance des formes est un domaine tel que l'apprentissage automatique. Les réseaux neuronaux profonds, convolutifs et autres réseaux ad hoc peuvent être utilisés à cette fin.
L'utilisation de réseaux neuronaux OpenCV pour la formation permet d'améliorer considérablement les performances. C'est tout.
Donc votre question formulée = la charrue avant les bœufs.
Tout d'abord, déterminez comment vous allez définir le "motif" (image bitmap ? vecteur numérique ? ou autre chose ?).
Apprendre, apprendre et apprendre.
Bonne chance
Il est évident que vous ne comprenez pas complètement ce qu'est OpenCV. Il s'agit d'une bibliothèque d'opérations matricielles/vectorielles rapides fonctionnant sur plusieurs cœurs d'ordinateur ou plusieurs cœurs de carte graphique.
La reconnaissance des formes est un domaine tel que l'apprentissage automatique. Les réseaux neuronaux profonds, convolutifs et autres réseaux ad hoc peuvent être utilisés à cette fin.
L'utilisation de réseaux neuronaux OpenCV pour la formation permet d'améliorer considérablement les performances. C'est tout.
Donc votre question formulée = la charrue avant les bœufs.
Tout d'abord, déterminez comment vous allez définir le "motif" (image bitmap ? vecteur numérique ? ou autre chose ?).
Apprendre, apprendre et apprendre.
Bonne chance
merci pour ce commentaire déroutant :)
Je m'intéresse à la précision de la détection à ce stade, à ce que cette chose est même capable de faire, sans entrer dans les détails... Sera-t-il capable de reconnaître et de comparer des modèles avec plus de précision que je ne le ferais par corrélation, par exemple ? Je ne me soucie pas vraiment de savoir si c'est un bitmap ou un vecteur. Je comprends qu'il est déjà livré avec des couches entraînées et que vous n'avez pas besoin d'entraîner quoi que ce soit, il vous donnera juste un résultat fini... mais vous pouvez aussi l'entraîner pour vos propres besoins, ce qui est plus compliqué...
Je ne veux pas d'un réseau neuronal qui me donnerait quelque chose comme "oui, j'ai identifié que ceci est un graphique, c'est un vrai graphique, je suis bon... mais je ne peux pas garantir la précision".
Ou bien les applications de cette méthode seraient limitées par l'entraînement intensif des réseaux neuronaux, la sélection de leurs configurations, la sélection des échantillons d'entraînement, etc... Je n'ai pas vraiment envie de faire ça pendant les 50 prochaines années de ma vie
merci pour le commentaire obscur :)
Je suis intéressé par la précision de la détection à ce stade, par ce que cette chose est capable de faire, sans entrer dans les détails... Sera-t-il capable de reconnaître et de comparer des modèles avec plus de précision que je ne le ferais par corrélation, par exemple ? Je ne me soucie pas vraiment de savoir si c'est un bitmap ou un vecteur. Je comprends qu'il est déjà livré avec des couches entraînées et que vous n'avez pas besoin d'entraîner quoi que ce soit, il vous donnera juste un résultat fini... mais vous pouvez aussi l'entraîner pour vos propres besoins, ce qui est plus compliqué...
Je ne veux pas d'un réseau neuronal qui me donnerait quelque chose comme "oui, j'ai identifié que ceci est un graphique, c'est un vrai graphique, je suis bon... mais je ne peux pas garantir la précision".
Ou bien l'utilisation de cette méthode serait limitée par un entraînement intensif des réseaux neuronaux, la sélection de leurs configurations, la sélection d'échantillons d'entraînement, etc... ce que je ne veux pas faire pendant les 50 prochaines années de ma vie.
Voici un exemple de reconnaissance de plaques minéralogiques sur Matlab
http://matlab.exponenta.ru/imageprocess/book2/61.php
Et d'autres articles sur le sujet
http://matlab.exponenta.ru/imageprocess/book2/
http://matlab.exponenta.ru/imageprocess/book2/58.php
Je voulais enseigner le système pour voir les vagues d'Elliott.
Google a appris aux smartphones à reconnaître la parole, je pense que nous pouvons leur apprendre à voir les ondes aussi.
J'ai également créé un sujet similaire.
Je voulais enseigner le système pour voir les vagues d'Elliott.
Google a appris aux smartphones à reconnaître la parole, il me semble qu'on peut apprendre aux ondes à les voir aussi.
Peut se faire sans bibliothèques et sans NS. L'indicateur reconnaît et numérote instantanément jusqu'à 9999 motifs. Vous pouvez en faire plus, mais il n'est pas nécessaire d'en faire autant.
Peut se faire sans bibliothèques et sans NS. L'indicateur reconnaît et numérote instantanément jusqu'à 9999 motifs. Il est possible d'en faire plus, mais il n'est pas nécessaire d'en faire autant.
9999 n'est rien comparé aux diverses variations de formations qui tendent vers l'infini. Vous devez non seulement reconnaître un modèle, mais aussi reconnaître n'importe quel modèle fourni par l'utilisateur, n'importe quelle partie du graphique, avec une grande précision.
Je ne pense pas que le prix répète son modèle avec une telle précision, donc je ne m'embête pas avec une telle précision. Qui aime ce que vous voulez, bien sûr, et qui comprend ce que vous voulez.