假设我有一些训练数据。输入由两个数组组成，一个是定义灌溉多边形。另一种结构相同，但称为“障碍”，它描述不是灌溉区域但对喷头定位有影响的多边形。
最后，输出数据是喷头数组及其输出坐标。
因为如果仅表示为数组或图形，则该数据不一致（它可以具有任意数量的所述多边形和任意数量的洒水器，使得数据预处理后效率非常低），所以我考虑使用卷积神经网络，但方式略有不同。我想在 CNN 通道中表示数据，其中第一个通道仅保存有关灌溉多边形的数据，第二个通道将保存有关障碍物的数据，第三个通道当然保存有关洒水器的数据。我的问题是：
我尝试使用图和普通的 ANN 数据预处理管道来制作这个神经网络。然而，填充/规范化/展平数据会使参数量太大，因为有些多边形可以用 8 个数字（4 个点）来描述，而有些则复杂得多。多边形和洒水器的数量也可能变化很大，这使得数据非常不均匀。
CNN 的要点在于，您拥有对卷积运算有意义的输入。这是至关重要的，因为 CNN 通过将输入与小内核进行卷积来将输入转换为输出。例如。对于 2D 图像，内核可以是 3x3 或 5x5 内核。这些内核是在训练中学习的。
更根本的是，当像素输入[X]和输入[X+dX]之间的关系很大程度上取决于 dX 而不是 X 时，卷积运算才有意义。
您似乎使用了多边形的参数表示，即角点。你不是在二维中绘制这些多边形，对吧？二维图像可以简单地用作输入：附近的点（小 dX）可能位于同一个多边形中。但是角点数组呢？没有合理的卷积运算可以对它们起作用。
您可以可能将多边形转换为固定长度的表示形式。您始终可以将一条边折成两半并插入一个“假”（180 度）角。在精度损失有限的情况下，您可以丢弃一些角点。另一种可能的方法是将复杂的多边形分成两个单独的多边形。
但是考虑到问题域（听起来相当二维），我将使用 CNN 并将参数化多边形表示转换为真实图像。