深度学习-目标检测与识别.pptxVIP

机器学习 深度学习— 目标检测 ; ? 视频关键帧处理 ? 物体检测与定位 ? RCNN， Fast-RCNN， Faster-RCNN， MaskRCNN ? YOLOv1-v5 ? UNet ? 典型应用案例; 几个容易混淆的概念; 3D目标检测; 目标检测算法（1）;; 目标检测算法（3）;; . 目标检测是将目标从图像中提取出来。 . 运动目标检测是从不断变化的序列图像中进行目标检测，分为静态背景下的 运动检测和动态背景下的运动检测。 . 两种主要的思路： – 依赖于目标的先验知识， 需要提前为运动目标建模， 然后在图像序列中实时找到匹配的目标， – 不依赖于先验知识，直接从图像序列中检测到运动目标，并进行目标识别，最终跟踪感兴趣的 运动目标。 – 在目标检测和追踪需要注意运动目标的表示， 例如对其视觉特征进行建模，并采用相似性度量 来对帧图像进行匹配，在追踪过程中需要处理大量冗余信息，采用搜索算法缩小比较范围。 . 目前跟踪分类主要基于主动轮廓的跟踪、基于特征、区域、模型的跟踪等。; . 传统的目标检测一般使用滑动窗口的框架，主要包括以下三个步骤： – 利用不同尺寸的滑动窗口框住图中的某一部分作为候选区域。 – 提取候选区域相关的视觉特征， 例如人脸检测常用的Harr特征；行人检测和普通目标检测常 用的HOG特征。 – 利用分类器进行识别。; 目标检测的性能评价; ? 物体检测是通过IoU来进行精准度评价的。使用两个区域的交集区域除以两个 区域的并集区域。 ? 一般IoU的值越大，表示物体预测越准确。; . mAP是目标检测中度量识别精度的指标。多个类别物体检测中，每一个类别 都可以根据查全率和查准率绘制一条P-R曲线，横坐标为查全率，纵坐标为 查准率， AP就是该曲线下的面积， mAP是多个类别AP的平均值。 mAP = . Q表示目标检测的类别集合， Avep(q)是计算类别下物体的平均准确率。 mAP的取值范围在[0,1]之间。; ? 感兴趣区域是目标检测的一个概念，表示系统感兴趣的区域，在Fast-RCNN 等模型中都有ROI（region of interest）处理的模块， ROI的提取能够在消除一 些噪声的同时减少后续图像处理的数据量，是??常用的方法。;; 传统目标检测; 滑动窗口; ? Region proposals ? CNN：卷积神经网络 R-CNN：Region with CNN features 将检测问题转换成为region proposals的分类问题 ? Selective Search：选择性搜索 ? Warp：图像Region变换 ? Supervised pre-training：有监督预训练也称迁移学习 ? IOU：交并比IOU=(A∩B)/(A UB) ? NMS：非极大值抑制 ? DPM：使用判别训练的部件模型进行目标检测; R-CNN：Region with CNN features; 基于候选区域的目标检测(R-CNN); 227x22 7;; ? 图像分割（Image Segmentation）的主要目的也就是将图像（image）分割成若干个特定的、具 有独特性质的区域（region）， 然后从中提取出感兴趣的目标（object）。 ? 图像（image）的图（graph）表示；Spanning Tree）。 把图像中的每一个像素点看成一个顶点vi =V（node或vertex），像素点之间的关系对（可以 自己定义其具体关系， 一般来说是指相邻关系）构成图的一条边ei = E，这样就构建好了一个图 G = (V,E)。 ? 最小生成树（Minimun ） 将图像表达成图之后，将每个节点（像素点）看成单一的区域， 然后进行合并。使用最小生成 树方法合并像素点，然后构成一个个区域。相似的区域在一个分支（Branch）上面（有一条最边; ? 将各个Region的大小变换 到CNN 的输入尺寸 ? 变换： Scale： (B) Isotropically 各向同性地 (C)anisotropically 各向异性地 Warp： 各向异性缩放 +16pixels; ? 对象分类： 标注好的训练数据非常多； ? 目标检测： 标注数据很少，如何用少量的标注数据，训练高质量的模型 ? 迁移学习： 检测 ≈ 定位 + 分类 例如我们先对Imagenet数据集（ILSV