如果您已经提取了特征向量$X$从你的图像。然后确实可以使用人工神经网络 (ANN) 对这些进行分类，因为您已经标记了实例。

您可以在 python 中使用多个不同的库（例如 scikit-learn、Keras 或 tensorflow）轻松完成此操作。Scikit-learn 是最容易实现但最不灵活的。Keras 允许更复杂的 ANN，而 tensorflow 允许您可以想象的各种自定义结构。

Scikit-学习

这是实现单层 ANN 的最简单方法。

from sklearn.neural_network import MLPClassifier
X = [[0., 0.], [1., 1.]]
y = [0, 1]
clf = MLPClassifier(solver='adam', alpha=1e-5,
                    hidden_layer_sizes=(32,), random_state=1)
clf.fit(X, y)
clf.score(X, y)

https://scikit-learn.org/stable/modules/generated/sklearn.neural_network.MLPClassifier.html#sklearn.neural_network.MLPClassifier

喀拉斯

首先我们建立一个我们想要使用的模型。这是一个简单的单层神经网络的例子。$k$是每个实例的特征数，并且$num_classes$是您期望的输出类的数量。

from __future__ import print_function
import keras
from keras.models import Sequential
from keras.layers import Dense, Flatten
from keras.models import model_from_json
from keras import backend as K

input_shape  = (k,)

model = Sequential()
model.add(Dense(32, activation='tanh',
             input_shape=input_shape))
model.add(Dense(num_classes, activation='linear'))


model.compile(loss=keras.losses.mean_squared_error,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

您可以通过使用查看模型的摘要

model.summary()

然后我们可以使用

batch_size = 128
epochs = 10
model.fit(x_train, y_train_binary,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test_binary))

您将需要调整此代码示例中的所有超参数以更好地适应您的数据。

https://keras.io/api/models/sequential/