《机器视觉理论与实战》 课件 第五章 目标检测算法原理与实战.pptx

第五章目标检测算法原理与实战本章知识点目标检测算法基本原理PaddleDetection框架介绍YOLOv3算法原理AlexNet网络结构VGG网络结构GoogLeNet网络结构PPYOLOE网络结构检测与识别模型的部署

5.1目标检测算法

CONTENTS5.1.1图像卷积5.1.2现代卷积神经网络5.1.3注意力机制5.1.4关键技术

015.1.1图像卷积

5.1.1图像卷积互相关运算卷积层图像中目标的边缘检测学习卷积核特征映射和感受野

互相关运算互相关运算是一种常用的图像处理操作，用于检测图像中的特征信息。互相关运算通过在原始图像上滑动一个卷积核，计算对应位置像素和卷积核的乘积之和，从而获得特征强度的分布。互相关运算的计算方式如下：1.将卷积核与图像对应位置的像素相乘。2.将所有乘积结果求和，得到输出像素值。需要注意的是，输出大小略小于输入大小。这是因为卷积核的宽度和高度大于1，而卷积核只与图像中每个完全适配的位置进行互相关运算。因此，输出大小等于输入大小减去卷积核大小即：

卷积层卷积层是深度学习中常用的层类型之一，用于提取图像中的特征。卷积层通过在输入图像上滑动多个卷积核，计算互相关运算来获得特征图。卷积层的计算方式如下：1.定义多个卷积核，每个卷积核都是一个小矩阵，由一组权重值组成。2.将卷积核与输入图像对应位置的像素进行互相关运算，得到特征图。通过堆叠多个卷积层，可以逐层提取更加抽象和高级的特征。卷积层是目标检测算法中非常重要的组成部分。

卷积层代码为了实现二维卷积层，可以基于上述定义的corr2d函数进行编写。在构造函数init中，需要声明weight和bias作为两个模型的参数。在前向传播函数中，可以调用corr2d函数并添加偏置。classConv2D(nn.Layer):def__init__(self,kernel_size):super().__init__()self.weight=paddle.ParamAttr(paddle.rand(kernel_size))self.bias=paddle.ParamAttr(paddle.zeros(1))?defforward(self,x):returncorr2d(x,self.weight)+self.bias高度和宽度分别为h和w的卷积核可以被称为h×w卷积或h×w卷积核。同样地，带有h×w卷积核的卷积层也被称为h×w卷积层。

图像中目标的边缘检测边缘检测是目标检测算法中的一项关键任务，用于识别图像中的物体边缘。边缘通常指的是图像中亮度或颜色变化明显的区域。常用的边缘检测算法有Sobel算子、Prewitt算子、Canny算子等。这些算子可以通过进行卷积运算来提取出图像中的边缘信息。下面代码是一个简单的应用示例，使用卷积层来检测图像中不同颜色的边缘。首先，构造一个大小为6×8像素的黑白图像，其中中间四列为黑色（0），其他像素为白色（1）。X=paddle.ones((6,8))X[:,2:6]=0X

学习卷积核深度学习中的卷积层可以通过学习卷积核的方式来自动提取图像中的特征。学习卷积核是目标检测算法中的重要步骤。学习卷积核的过程如下：1.随机初始化卷积核的权重值。2.通过反向传播算法不断调整卷积核的权重值，使得卷积层的输出能够最好地匹配训练数据的标签。3.经过多次迭代训练后，卷积核可以自动学习到可以区分不同目标的特征。学习卷积核是目标检测算法中的核心内容之一，可以有效提升算法的性能。

特征映射和感受野在卷积神经网络中，每个卷积层的输出被称为特征映射。特征映射可以看作是对输入图像的一种抽象，其中每个像素值代表了相应位置上的特征强度。感受野表示卷积层输出上的像素与输入图像上的像素之间的关系。感受野的大小决定了卷积层对图像局部信息和全局信息的感知能力。特征映射和感受野是目标检测算法中的重要概念，能够帮助理解卷积神经网络的工作原理。

025.1.2现代卷积神经网络

5.1.2现代卷积神经网络本节将介绍现代卷积神经网络架构，这些架构在计算机视觉领域发挥了重要作用，并在ImageNet竞赛中取得了优异成绩。自2010年以来，ImageNet竞赛一直是监督学习在计算机视觉中的重要标杆，许多模型都曾是该竞赛的优胜者。本节将介绍这些占据主导地位的模型，它们构成了现代卷积神经网络的基础。这些模型包括：1．深度卷积神经网络（AlexNet）它是第一个在大规模视觉竞赛中击败传统计算机视觉模型的大型神经网络；2．使用块的网络（VGG）它利用许多重复的神经网络块；3．含并行连接