回答編集履歴
7
append gray scale
test
CHANGED
@@ -12,4 +12,4 @@
|
|
12
12
|
```
|
13
13
|
画像処理におけるfeature-wise normalizationはあまり見かけないので,精度の向上が見込めなかったら他のものも試してみると良いでしょう.
|
14
14
|
> そもそも論文では60×160というサイズ表記で9600次元のところもRGBのデータがないのがよくわかっていません
|
15
|
-
もしかしたら論文では,RGB画像をグレースケール画像にしてから,上述の処理をしているのかもしれませんね.元画像も彩度が低く,白黒画像にしても問題ないような画像なので,そういった画像データに対してグレースケール変換はよく取られる手法の1つではあります.
|
15
|
+
もしかしたら論文では,RGB画像をグレースケール画像にしてから,上述の処理をしているのかもしれませんね.元画像も彩度が低く,白黒画像にしても問題ないような画像なので,そういった画像データに対してグレースケール変換はよく取られる手法の1つではあります.グレースケールで開く場合は,`Image.open(file).convert('L')`としましょう.
|
6
fix context
test
CHANGED
@@ -11,4 +11,5 @@
|
|
11
11
|
# data = (data - data.mean()) / data.std() # dataset-wise normalization
|
12
12
|
```
|
13
13
|
画像処理におけるfeature-wise normalizationはあまり見かけないので,精度の向上が見込めなかったら他のものも試してみると良いでしょう.
|
14
|
+
> そもそも論文では60×160というサイズ表記で9600次元のところもRGBのデータがないのがよくわかっていません
|
14
|
-
もしかしたら論文では,RGB画像をグレースケール画像にしてから,上述の処理をしているのかもしれませんね.元画像も彩度が低く,白黒画像にしても問題ないような画像なので,グレースケール変換はよく取られる手法の1つではあります.
|
15
|
+
もしかしたら論文では,RGB画像をグレースケール画像にしてから,上述の処理をしているのかもしれませんね.元画像も彩度が低く,白黒画像にしても問題ないような画像なので,そういった画像データに対してグレースケール変換はよく取られる手法の1つではあります.
|
5
append normalization code
test
CHANGED
@@ -6,6 +6,9 @@
|
|
6
6
|
img = np.array(Image.open(file)).flatten()
|
7
7
|
data.append(img)
|
8
8
|
data = np.array(data)
|
9
|
-
data = (data - data.mean(axis = 0)) / data.std(axis = 0)
|
9
|
+
data = (data - data.mean(axis = 0)) / data.std(axis = 0) # feature-wise normalization
|
10
|
+
# data = ((data.T - data.mean(axis = 1)) / data.std(axis = 1)).T # sample-wise normalization
|
11
|
+
# data = (data - data.mean()) / data.std() # dataset-wise normalization
|
10
12
|
```
|
13
|
+
画像処理におけるfeature-wise normalizationはあまり見かけないので,精度の向上が見込めなかったら他のものも試してみると良いでしょう.
|
11
14
|
もしかしたら論文では,RGB画像をグレースケール画像にしてから,上述の処理をしているのかもしれませんね.元画像も彩度が低く,白黒画像にしても問題ないような画像なので,グレースケール変換はよく取られる手法の1つではあります.
|
4
fixed to correct answer
test
CHANGED
@@ -4,8 +4,8 @@
|
|
4
4
|
data = list()
|
5
5
|
for file in im_file_list:
|
6
6
|
img = np.array(Image.open(file)).flatten()
|
7
|
-
img = (img - img.mean()) / img.std()
|
8
7
|
data.append(img)
|
9
8
|
data = np.array(data)
|
9
|
+
data = (data - data.mean(axis = 0)) / data.std(axis = 0)
|
10
10
|
```
|
11
11
|
もしかしたら論文では,RGB画像をグレースケール画像にしてから,上述の処理をしているのかもしれませんね.元画像も彩度が低く,白黒画像にしても問題ないような画像なので,グレースケール変換はよく取られる手法の1つではあります.
|
3
fixed code
test
CHANGED
@@ -6,5 +6,6 @@
|
|
6
6
|
img = np.array(Image.open(file)).flatten()
|
7
7
|
img = (img - img.mean()) / img.std()
|
8
8
|
data.append(img)
|
9
|
+
data = np.array(data)
|
9
10
|
```
|
10
11
|
もしかしたら論文では,RGB画像をグレースケール画像にしてから,上述の処理をしているのかもしれませんね.元画像も彩度が低く,白黒画像にしても問題ないような画像なので,グレースケール変換はよく取られる手法の1つではあります.
|
2
fixed context
test
CHANGED
@@ -7,4 +7,4 @@
|
|
7
7
|
img = (img - img.mean()) / img.std()
|
8
8
|
data.append(img)
|
9
9
|
```
|
10
|
-
もしかしたら論文では,RGB画像をグレースケール画像にしてから,上述の処理をしているのかもしれませんね.
|
10
|
+
もしかしたら論文では,RGB画像をグレースケール画像にしてから,上述の処理をしているのかもしれませんね.元画像も彩度が低く,白黒画像にしても問題ないような画像なので,グレースケール変換はよく取られる手法の1つではあります.
|
1
fixed context
test
CHANGED
@@ -7,3 +7,4 @@
|
|
7
7
|
img = (img - img.mean()) / img.std()
|
8
8
|
data.append(img)
|
9
9
|
```
|
10
|
+
もしかしたら論文では,RGB画像をグレースケール画像にしてから,上述の処理をしているのかもしれませんね.
|