資訊專欄INFORMATION COLUMN
摘要：但是他們對于實時監(jiān)測來說，還是有點慢。上圖是我們用于物體檢測的訓練數(shù)據(jù)集的示例。分類器在每個步驟中應用于檢測對象。
卷積神經(jīng)網(wǎng)絡（CNN）在物體識別中由于其他的神經(jīng)網(wǎng)絡架構，所以研究人員很快對 CNN 進行了改進以使得它們能更好的對物體進行定位和檢測，這種神經(jīng)網(wǎng)絡架構就被稱為 R-CNN（Region-CNN）。R-CNN 的輸出是具有矩形框的圖像，以下是 R-CNN 如何工作的步驟：
使用稱為可能性搜索的算法掃描整個輸入圖像，用來查詢可能的對象，并生成大約 2000 個區(qū)域提議；
在每個區(qū)域提案上運行 CNN；
獲取每個 CNN 的輸出并將其輸入：
SVM 對區(qū)域進行分類；
如果存在這樣的對象，則利用線性回歸其收緊對象的邊界框；
雖然 R-CNN 比傳統(tǒng)的 CNN 在對象對位，檢測和分類方面取得了很大進步，但是在實時性上面還是存在一點問題，主要是：
訓練數(shù)據(jù)很難處理，而且需要很長時間；
訓練分為兩步進行（區(qū)域劃分和分類）；
在測試的時候，網(wǎng)絡的計算非常慢；
為了改進 R-CNN，研究人員想出了很多的算法，比如 Fast-RCNN，F(xiàn)aster-RCNN。后來的幾個算法在對象檢測上面能得到更準確的結果。但是他們對于實時監(jiān)測來說，還是有點慢。SSD 就能同時解決這兩個問題，它在準確性和計算速度方面具有良好的平衡。
SSD（Single Shot MultiBox Detector）
SIngle Shot：對象定位和分類在同一個前向網(wǎng)絡中完成；
MultiBox：邊界框回歸的技術
Detector：對檢測到的對象進行分類；
具體架構如下：
SSD 的架構基于 VGG-16 架構開發(fā)。但是對 VGG-16 進行了一些調(diào)整，我們使用 Conv6 層以上的輔助卷積層而不是完全連接層。使用 VGG-16 作為基礎網(wǎng)絡層的原因是其高質量的圖像分類和遷移學習的能力，可以用來改善結果。使用輔助卷積層，我們可以提取多個尺度的特征，并逐步減小每個后續(xù)層的尺寸。在下面介紹的工作原理圖中，你可以看到 VGG-16 架構處理的圖像。
工作機制
為了訓練我們的算法，我們需要一個包含帶有對象的圖像訓練集，這些對象必須在他們上面有邊界框。通過這種方式學習，算法可以學會如何將舉行放置子啊何處。我們最小化邊界框和實際的框的誤差，以優(yōu)化我們的模型可以正確的檢測到對象。與 CNN 不同的是，我們不僅預測圖像中是否存在該物體，而且還需要預測物體在圖像中的位置。在訓練期間，算法學習調(diào)整對象中矩陣框的高度和寬度。
上圖是我們用于物體檢測的訓練數(shù)據(jù)集的示例。這些數(shù)據(jù)集必須包含在圖像中標記其類的對象。更多默認框導致更準確的檢測。
如果你是一個初學者，可以先使用 Pascal VOC 和 COCO 來進行學習。
處理規(guī)模問題
上面的圖，我們的馬匹有很少的圖像。我們將輸入圖像劃分為網(wǎng)格集。然后我們圍繞這些網(wǎng)格制作幾個不同寬高比的巨星。然后我們子啊這些礦中應用卷積來查找這些網(wǎng)絡中是否存在對象。這里的一匹黑馬在圖像中更靠近相機。因此，我們繪制的矩形無法識別是否是馬，因為矩形沒有任何識別馬匹的特征。
如果我們看到 SSD 的上述架構，我們可以在 Conv6 層之后的每個步驟中看到圖像的大小顯著減小。然后，我們討論的關于制作網(wǎng)格和在這些網(wǎng)格上查找對象的每個操作都適用于從網(wǎng)絡的后面到前面的卷積的每個步驟。分類器在每個步驟中應用于檢測對象。因此，由于物體在每個步驟中不斷變小，索引很容易被識別出來。
SSD 算法還知道如何從一個卷積操作返回到另一個卷積操作。它不僅學會前進而且學會如何后腿。例如，如果他在 Conv4 層中看到馬，那么它可以返回到 Conv6 并且算法將在馬周圍進行繪制矩形。
聲明：文章收集于網(wǎng)絡，如有侵權，請聯(lián)系小編及時處理，謝謝！
商業(yè)智能與數(shù)據(jù)分析群
興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價值的辦法，實際應用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識
QQ群：81035754
文章版權歸作者所有，未經(jīng)允許請勿轉載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉載請注明本文地址：http://systransis.cn/yun/4806.html
摘要：工作原理以前的檢測系統(tǒng)通過重復利用分類器和定位器來實現(xiàn)目標識別。修改檢測閾值缺省情況下，只顯示信心大于的對象。用法如下這個，呵呵，不完美把白馬識別成綿羊了，把黑狗識別成奶牛了，但確實很快。 原標題：YOLO: Real-Time Object Detection英文原文：https://pjreddie.com/darknet/... 強烈推薦（TED視頻）：https://www....
摘要：工作原理以前的檢測系統(tǒng)通過重復利用分類器和定位器來實現(xiàn)目標識別。修改檢測閾值缺省情況下，只顯示信心大于的對象。用法如下這個，呵呵，不完美把白馬識別成綿羊了，把黑狗識別成奶牛了，但確實很快。 原標題：YOLO: Real-Time Object Detection英文原文：https://pjreddie.com/darknet/... 強烈推薦（TED視頻）：https://www....
摘要：目前目標檢測領域的深度學習方法主要分為兩類的目標檢測算法的目標檢測算法。原來多數(shù)的目標檢測算法都是只采用深層特征做預測，低層的特征語義信息比較少，但是目標位置準確高層的特征語義信息比較豐富，但是目標位置比較粗略。 目前目標檢測領域的深度學習方法主要分為兩類：two stage的目標檢測算法；one stage的目標檢測算法。前者是先由算法生成一系列作為樣本的候選框，再通過卷積神經(jīng)網(wǎng)絡進行樣本...
摘要：表示類別為，坐標是的預測熱點圖，表示相應位置的，論文提出變體表示檢測目標的損失函數(shù)由于下采樣，模型生成的熱點圖相比輸入圖像分辨率低。模型訓練損失函數(shù)使同一目標的頂點進行分組，損失函數(shù)用于分離不同目標的頂點。 本文由極市博客原創(chuàng)，作者陳泰紅。 1.目標檢測算法概述 CornerNet（https://arxiv.org/abs/1808.01244）是密歇根大學Hei Law等人在發(fā)表E...
摘要：摘要本文介紹使用和完成視頻流目標檢測，代碼解釋詳細，附源碼，上手快。將應用于視頻流對象檢測首先打開文件并插入以下代碼同樣，首先從導入相關數(shù)據(jù)包和命令行參數(shù)開始。 摘要：?本文介紹使用opencv和yolo完成視頻流目標檢測，代碼解釋詳細，附源碼，上手快。 在上一節(jié)內(nèi)容中，介紹了如何將YOLO應用于圖像目標檢測中，那么在學會檢測單張圖像后，我們也可以利用YOLO算法實現(xiàn)視頻流中的目標檢...
閱讀 2361·2021-10-11 10:59
閱讀 2624·2021-10-11 10:58
閱讀 3339·2021-09-08 09:35
閱讀 3877·2021-09-02 15:21
閱讀 1496·2019-08-30 15:53
閱讀 2645·2019-08-29 14:16
閱讀 2097·2019-08-26 14:00
閱讀 2982·2019-08-26 13:52
