CNN オリジナル画像で画像認識

Question

前提・実現したいこと

CNNで画像認識を行っています。
そこで2つの入力を使って画像認識をしているのですが、
以下のコードでどのように書けばよいかわからない部分があります。
教えていただきたいです。

任意の2つの画像を2つの入力としたいと思っています。

発生している問題・エラーメッセージ

x_train1 = 
x_train2 = 
の部分にどのように記入すればよいのでしょうか？

該当のソースコード

import keras
from keras.layers import Conv2D, MaxPooling2D, Input, Dense, Flatten, Dropout
from keras.models import Model, Sequential
from PIL import Image
import numpy as np
from keras.models import load_model
import glob
from sklearn.model_selection import train_test_split
from keras.utils import np_utils

classes = [
           "カップ","グラス","コップ",
           ]

X = []
Y = []
for index, classlabel in enumerate(classes):
    dir = "./" + classlabel 
    files = glob.glob(dir + "/*.jpg")
    for i, file in enumerate(files):
        image = Image.open(file)
        image = image.convert("RGB")
        image = image.resize((64, 64))
        data = np.asarray(image)
        X.append(data)
        Y.append(index)

X = np.array(X)
Y = np.array(Y)
X = X.astype('float32')/255.0

Y = np_utils.to_categorical(Y, len(classes))
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.10)

x_train1 = 
x_train2 = 

y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)

input_1 = Input(shape=(64,64,3))
input_2 = Input(shape=(64,64,3))

merged = keras.layers.Concatenate(axis=-1)([input_1,input_2])


x = Dense(145, activation="relu")(merged)
x = Dropout(0.5)(x)
output = Dense(145, activation="softmax")(x)

model = Model(inputs=[input_1, input_2], outputs=output)

model.summary()

opt = keras.optimizers.Adam(lr=0.0005, decay=1e-5)
model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy'])

hist = model.fit([x_train1,x_train2], y_train, batch_size=200, verbose=1, epochs=5)

試したこと

"Keras 複数入力"など検索して、様々なサイトを見たのですが、
オリジナル画像を使っているものがないので、よくわからなくなってしまいました。

Comments

[meg_]

> 2つの入力を使って画像認識をしている
どのようなモデルになっているのでしょうか？

[退会済みユーザー]

すみません。初心者なもので、
モデルとは、何を示している言葉ですか？

[toast-uz]

「任意の2つの画像を2つの入力としたい」とは、なぜ、何のためにしたいのでしょうか？
この手の話は、やりたいことそのものが目的にあっていないことがよくあるため、目的を確認したいです。

[退会済みユーザー]

画像認識と言っていますが、正確には画像を使った位置推定をしようと思っています。そこで自分から見た正面と背面の画像の2つを入力することでより精度が良くなるのではないかと
考えたためです。目的はこれです。
そしてこれはあくまでできるかどうかを確認したいからやってみるので、やる必要がわからないというのは言わないで頂けるとありがたいです。

[toast-uz]

２つの画像を横につなげた画像を入力して、学習してみるのはどうでしょうか？
CNNだと画像が少し「にじむ」ので間に緩衝帯を設けたほうがよいかもです。「前後」を入れ替えることで学習データを増やすことが可能です。また、カメラの数がさらに増えても応用可能です。
モデルではなく前処理の問題に帰着させる、という発想です。

[退会済みユーザー]

ありがとうございます。
それもやってみよう思っています。

しかし今は重みを共有する事でそれが出来るのであればそちらもやってみたいと考えています