我正在尝试构建一个Keras模型,以实现在这文章中解释的方法。
我的实现的上下文:
我有两种不同类型的数据,它们代表需要分类的同一组类(标签)。第一类是图像数据,第二类是脑电数据(时序序列)。
我知道要对图像数据进行分类,我们可以使用这样的CNN模型:
model.add(Conv2D(filters=256, kernel_size=(11,11), strides=(1,1), padding='valid'))
model.add(Activation('relu'))
model.add(Dense(1000))
model.add(Activation('relu'))
model.add(Dropout(0.4))
# Batch Normalisation
model.add(BatchNormalization())
# Output Layer
model.add(Dense(40))
model.add(Activation('softmax'))为了对序列数据进行分类,我们可以使用如下的LSTM模型:
model.add(LSTM(units = 50, return_sequences = True))
model.add(Dropout(0.2))
model.add(Flatten())
model.add(Dense(32, activation='relu'))
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(40, activation='softmax'))但本文的方法表明,通过这样的回归,可以将脑电特征向量映射到图像向量中:
我无法理解如何编写上述两种方法。我从未使用过回归器进行特征映射,然后进行分类。这方面的任何线索都是非常感谢的。
发布于 2022-03-30 14:23:58
据我理解,训练数据由(eeg_signal,image,class_label)三胞胎组成。
我觉得我只是重复了你的问题和论文中的内容。我希望有一些玩具数据集能够提供代码示例。
下面是一个关于如何“剥离”预先训练过的图像分类模型的最后一层的Tensorflow教程。
https://stackoverflow.com/questions/71596830
复制相似问题