我正在实现一种关键点检测算法来识别图像上的生物医学标志。我只有一种类型的地标需要检测。但是在单个图像中，可以出现1-10个这样的地标。我想知道什么是组织基本真相以最大限度地提高学习的最佳方式。
我考虑为每张图像创建10个地标坐标，并将它们与0(不存在(或1(存在(的标志相关联。但这似乎并不理想。由于一张图片中的多个地标实际上是同一类型的生物医学元素，神经网络不应该试图将它们作为单独的实体来学习。
有什么建议吗？
一个随处可见的里程碑听起来像是典型的CNN问题。你的CNN过滤器应该了解哪些特征构成了地标，但他们不在乎它出现在哪里。这将是下一层的责任。因此，为了训练CNN层，可以使用单色图像作为目标：1是"0"；"该像素处的地标"；，如果不是，则为0。
下一层基本上是处理CNN检测到的特征。为了训练这些人，你的基本事实应该是想要的结果。您只需要一个二进制输出(计数>0(吗？对计数的准确估计？坐标？方向NN不太在乎他们学到了什么，所以只需要在训练中给予它在推理中应该产生的东西。