物体的识别，检测，和分割
生活随笔
收集整理的這篇文章主要介紹了
物体的识别，检测，和分割
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
物體的識別，檢測，和分割
1：物體檢測
-
輸入圖像 -> 特征 -> 分類器 -> 物體類別
- 我們生成圖片的時候，他的大小，長寬比都是不一樣的，有些還是躺著的
- 我們可以生成很多的框框，但是這些框框絕大多數可能都是背景，此時我們可以做一個二分類
- 二分類的問題：類間不夠緊湊（天空，草地，大海），類和類之間差別不大
- 解決這個問題，我們使用似物性估計，我們可以不使用框框，直接來做
- **ECCV 2014 Edge Boxes: Locating Object Proposals from Edges **，我們物體都是有邊界的，有一個邊界組成的，但是大海，天空可能邊界不是那么的明朗或者說就沒有邊界
- https://link.springer.com/content/pdf/10.1007/978-3-319-10602-1_26.pdf
- 我們采用邊緣檢測的技術，找到各個物體的邊緣，從而能夠對有效的物體進行框起來
- 兩個像素點，如果差值越大，那么說明這兩點的內容發生了很大的變化，那么就不屬于同一個物體
- 數字圖像處理:邊緣檢測(Edge detection)：https://zhuanlan.zhihu.com/p/59640437
- 濾波：提取圖像特征，簡化信息；適應圖像處理的需求，通過濾波消除圖像數字化時所混入的噪聲
- 濾波器從上到下，從左到右的遍歷，
-
- (其中 [外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-y4EQcx8k-1621872413398)(https://www.zhihu.com/equation?tex=R_%7B5%7D)] 表示當前像素點， [外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-iTieLfk1-1621872413410)(https://www.zhihu.com/equation?tex=R_%7Bi%7DG_%7Bi%7D)] 表示當前像素與濾波器對應值相乘的值，n為濾波器大小，舉例來說如若此濾波器值全為1，則此公式計算的是當前像素點的8連通像素點的平均值，因此濾波完后的圖像應表現為模糊的效果，模糊程度取決于濾波器的大小，濾波器大小(size)越大，模糊效果越明顯)
- 邊緣檢測算子
- Sobel
- Prewitt
- Roberts
-
物體檢測
- 目標：找到圖像中的已經直到類別的物體，屬于CV中的圖像理解
- 圖像處理，圖像分析，圖像理解：三個大的方向
- 輸入：一張圖片
- 輸出：一個或者是多個物體（包含類別和邊界框）
- 挑戰：物體定位和物體識別，識別出來并且把他框出來
- 兩階段的
- 先從圖像中選出若干個可能是物體的框框，然后再對這些框框做分類
- RCNN；Fast RCNN；Faster RCNN
- RCNN 是把selective search 和AlexNet 兩項工作合起來了，有的人覺得沒技術含量
- 但是有時候把兩項不那么相關的技術合起來，并且還有很好的效果，這就是一種創新
- 單階段的
- 不需要預先檢測出框框，直接由圖像生成最后的結果
- You Only Look Once
- https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Redmon_You_Only_Look_CVPR_2016_paper.pdf
- 關鍵技術
- 在原圖中劃分為S X S的網格，如果一個目標的中心落入某個格子，這個格子就負責檢測該目標
- 每個網格要預測 B 個bound ing boxes，以及C 個類別概率，每個bounding box預測五個變量
- 全連接層輸出reshape成 SXSX(5*B+C)的多維矩陣，通過NMS得到輸出框框
- YOLO V3 放飛自我，寫的和博客一樣
- https://arxiv.org/pdf/1804.02767.pdf
- YOLO V3之后，原作者就不寫了，4和5都不是原作者寫的，所以5不一定比4好
- 細粒度物體識別
- 目標：對物體類別進行更加細致的分類
- 輸入：一張鳥
- 輸出：哪一個類別的物體
- Fine Grained Recognition without Part Annotations
- 需要學習到鳥類的領域知識
總結
以上是生活随笔為你收集整理的物体的识别，检测，和分割的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： CMU（1）导论课
- 下一篇： tensorflow 报错（完善中）