深度学习入门与实践 第十章 目标检测.pptVIP

第十章 目标检测《深度学习入门与实践 》深度学习入门与实践 目标定位深度学习入门与实践图片分类和定位检测 目标定位汽车自动驾驶系统深度学习入门与实践 目标定位训练集图片：汽车、背景深度学习入门与实践 特征点检测特征点检测深度学习入门与实践 目标检测深度学习入门与实践汽车检测 目标检测深度学习入门与实践滑动窗口检测滑动窗口目标检测, 它是以某个步幅滑动这些方框窗口遍历整张图片, 对这些方形区域进行分类, 判断里面有没有汽车。  滑动窗口的卷积实现深度学习入门与实践全连接层转换为卷积层假设对象检测算法输入一个 14 × 14 × 3 的图像, 图像很小。 过滤器大小为 5 × 5, 数量是 16, 14 × 14 × 3 的图像在过滤器处理之后映射为 10 × 10 × 16, 如图 所示。 然后通过参数为 2 × 2 的最大池化操作, 图像减小到 5 × 5 × 16。 添加一个连接 400 个单元的全连接层,接着再添加一个全连接层, 最后通过 softmax 单元输出 y。  滑动窗口的卷积实现深度学习入门与实践卷积实现华东窗口对象检测假设输入给卷积网络的图片大小是 14 × 14 × 3, 测试集图片是 16 × 16 × 3, 如图 所示。 现在给这个输入图片加上浅色条块, 在最初的滑动窗口算法中, 会把这片深色区域输入卷积网络生成 0 或 1 分类。 接着滑动窗口, 步幅为两个像素, 向右滑动两个像素,将这个右上角区域输入给卷积网络, 运行整个卷积网络, 得到另外一个标签 0 或 1。 继续将这个左下角输入给卷积网络, 卷积后得到另一个标签, 最后对右下方的右下角进行一次卷积操作。 在这个 16 × 16 × 3 的小图像上滑动窗口, 卷积网络运行了四次, 于是输出了了四个标签。  滑动窗口的卷积实现深度学习入门与实践滑动窗口检测 滑动窗口的卷积实现深度学习入门与实践卷积实现滑动窗口检测 滑动窗口的卷积实现深度学习入门与实践滑动窗口检测时的卷积计算 滑动窗口的卷积实现深度学习入门与实践卷积应用滑动窗口 Bounding Box预测深度学习入门与实践滑动窗口算法中的边界框 YOLO算法深度学习入门与实践YOLO算法示意图 交并比深度学习入门与实践评估目标检测交并比 非极大值抑制深度学习入门与实践对象检测 非极大值抑制深度学习入门与实践19*19网格的对象检测 非极大值抑制深度学习入门与实践目标检测概率 Anchor Boxes深度学习入门与实践Anchor Boxes例子：一个格子检测多个对象 YOLO算法深度学习入门与实践对象检测算法的预测 YOLO算法深度学习入门与实践对象检测算法，非极大值抑制