女人自慰AV免费观看内涵网,日韩国产剧情在线观看网址,神马电影网特片网,最新一级电影欧美,在线观看亚洲欧美日韩,黄色视频在线播放免费观看,ABO涨奶期羡澄,第一导航fulione,美女主播操b

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫(xiě)文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法

新機(jī)器視覺(jué) ? 來(lái)源:CSDN技術(shù)社區(qū) ? 作者:透視AI ? 2021-04-30 10:22 ? 次閱讀

整體框架

df9fcc58-a929-11eb-9728-12bb97331649.jpg

目標(biāo)檢測(cè)算法主要包括:【兩階段】目標(biāo)檢測(cè)算法、【多階段】目標(biāo)檢測(cè)算法、【單階段】目標(biāo)檢測(cè)算法

什么是兩階段目標(biāo)檢測(cè)算法,與單階段目標(biāo)檢測(cè)有什么區(qū)別?

兩階段目標(biāo)檢測(cè)算法因需要進(jìn)行兩階段的處理:1)候選區(qū)域的獲取,2)候選區(qū)域分類和回歸,也稱為基于區(qū)域(Region-based)的方。與單階段目標(biāo)檢測(cè)算法的區(qū)別:通過(guò)聯(lián)合解碼同時(shí)獲取候選區(qū)域、類別

什么是多階段目標(biāo)檢測(cè)算法?

【兩階段】和【多階段】目標(biāo)檢測(cè)算法統(tǒng)稱級(jí)聯(lián)目標(biāo)檢測(cè)算法,【多階段】目標(biāo)檢測(cè)算法通過(guò)多次重復(fù)進(jìn)行步驟:1)候選區(qū)域的獲取,2)候選區(qū)域分類和回歸,反復(fù)修正候選區(qū)域

dfab6360-a929-11eb-9728-12bb97331649.jpg

根據(jù)是否屬于錨框分為:

1、Anchor-Free:

CornerNet

FCOS

TTFNet

YOLOv1(注意)

2、Anchor-based:

RetinaNet

YOLOv2-v5

PP-YOLO

SSD

主要考慮問(wèn)題

1、準(zhǔn)確性 2、實(shí)時(shí)性 3、多尺度 4、標(biāo)簽方案 5、目標(biāo)重疊 6、模型訓(xùn)練 7、重復(fù)編碼 8、數(shù)據(jù)增強(qiáng) 9、樣本不平衡

兩階段目標(biāo)檢測(cè)算法

RCNN

1、模型通過(guò)【選擇性搜索算法】獲取潛在的候選區(qū)域 2、截取原圖每個(gè)候選區(qū)域并resize輸入到模型中進(jìn)行特征抽取 3、使用SVM進(jìn)行分類,以及進(jìn)行bounding box 回歸

dfb5f5c8-a929-11eb-9728-12bb97331649.jpg

存在問(wèn)題:

重復(fù)編碼:由于候選區(qū)域存在重疊,模型需要重復(fù)進(jìn)行重疊區(qū)域的特征圖提取,計(jì)算冗余

模型訓(xùn)練:由于特征抽取模型和區(qū)域的分類回歸模型分開(kāi)訓(xùn)練,無(wú)法進(jìn)行端到端的模型訓(xùn)練,訓(xùn)練過(guò)程需要提取每個(gè)包含重疊區(qū)域的候選區(qū)域特征并保存用于分類和回歸訓(xùn)練

實(shí)時(shí)性差:重復(fù)編碼導(dǎo)致實(shí)時(shí)性不佳,【選擇性搜索算法】耗時(shí)嚴(yán)重

Fast-RCNN

考慮到RCNN的缺點(diǎn),F(xiàn)ast-RCNN來(lái)了! 1、模型依舊通過(guò)【選擇性搜索算法】獲取潛在的候選區(qū)域

2、將原圖通過(guò)特征抽取模型進(jìn)行一次的共享特征圖提取,避免了重復(fù)編碼

3、在特征圖中找到每一個(gè)候選區(qū)域?qū)?yīng)的區(qū)域并截取【區(qū)域特征圖】,ROI pooling層中將每個(gè)【區(qū)域特征圖】池化到統(tǒng)一大小

4、分別進(jìn)行softmax分類(使用softmax代替了RCNN里面的多個(gè)SVM分類器)和bbox回歸

e009a9f2-a929-11eb-9728-12bb97331649.jpg

主要優(yōu)點(diǎn):

1、可以進(jìn)行端到端模型訓(xùn)練 2、不需要存儲(chǔ)中間特征向量用于SVM分類和回歸模型訓(xùn)練 3、使用更高效的SPPnet特征提取網(wǎng)絡(luò)

存在問(wèn)題:

實(shí)時(shí)性差:選擇性搜索獲取候選區(qū)域耗時(shí),主要通過(guò)貪婪算法合并低級(jí)特征超像素,單張圖片耗時(shí)接近2s,且無(wú)法使用GPU加速

Faster R-CNN

使用RPN網(wǎng)絡(luò)代替Fast RCNN使用的選擇性搜索進(jìn)行候選區(qū)域的提取,相當(dāng)于Faster R-CNN=RPN+Fast RCNN,且RPN和Fast RCNN共享卷積層。

1、多尺度目標(biāo):通過(guò)RPN網(wǎng)絡(luò)候選區(qū)域,并使用不同大小和長(zhǎng)寬比的anchors來(lái)解決多尺度問(wèn)題

2、通過(guò)計(jì)算anchors與真實(shí)框的交并比IOU,并通過(guò)閾值建立正負(fù)樣本

3、樣本不平衡:每批次隨機(jī)采樣256個(gè)anchors進(jìn)行邊框回歸訓(xùn)練,并盡可能保證正負(fù)樣本數(shù)相同,避免負(fù)樣本過(guò)多導(dǎo)致的梯度統(tǒng)治問(wèn)題

論文:Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

e04b3d5e-a929-11eb-9728-12bb97331649.jpg

e0574734-a929-11eb-9728-12bb97331649.jpg

多階段目標(biāo)檢測(cè)算法

Cascade R-CNN

通過(guò)分析Faster RCNN在目標(biāo)候選區(qū)域的位置修正能力, 如下圖基于單個(gè)檢測(cè)器的可優(yōu)化性但優(yōu)化的程度有限,通過(guò)多次將預(yù)測(cè)區(qū)域作為候選區(qū)域進(jìn)行修正,使得輸出的預(yù)測(cè)區(qū)域與真實(shí)標(biāo)簽區(qū)域的IOU逐級(jí)遞增

e060e19a-a929-11eb-9728-12bb97331649.png

主要優(yōu)點(diǎn):

1、準(zhǔn)確性:碾壓各種單雙階段目標(biāo)檢測(cè)算法,采用RoIAlign取代RoIPooling 2、多尺度:通過(guò)FPN網(wǎng)絡(luò)集成多尺度特征圖,利用歸一化尺度偏差方法緩解不同尺度對(duì)Loss的影響程度 3、實(shí)時(shí)性:去除了Fater RCNN的全連接層,取而代之采用FCN網(wǎng)絡(luò),相比Fater RCNN,具有更少的模型參數(shù)和計(jì)算時(shí)間

主要不足:

e0961a0e-a929-11eb-9728-12bb97331649.jpg

單階段目標(biāo)檢測(cè)算法

編碼方式

1、基于中心坐標(biāo)

方案1

通過(guò)計(jì)算IOU或者長(zhǎng)寬比閾值篩選每個(gè)anchor位置對(duì)應(yīng)的target,可能過(guò)濾比較極端的target,但緩解目標(biāo)重疊情況下的編碼重疊問(wèn)題 通過(guò)對(duì)應(yīng)anchor找到中心坐標(biāo)位置(x,y)

方案2

通過(guò)iou最大值計(jì)算每個(gè)target對(duì)應(yīng)的anchor位置,保證每個(gè)target至少對(duì)應(yīng)一個(gè),目標(biāo)少的情況下但容易造成目標(biāo)稀疏編碼, 通過(guò)對(duì)應(yīng)target找到中心坐標(biāo)位置(x,y),YOLOv5中通過(guò)中心坐標(biāo)結(jié)合四舍五入進(jìn)行多中心坐標(biāo)映射緩解目標(biāo)稀疏問(wèn)題 方案3 同時(shí)利用方案1和方案2,保證每個(gè)target至少對(duì)應(yīng)一個(gè)anchor區(qū)域

YOLOv1

雖然是單階段目標(biāo)檢測(cè)開(kāi)山之作,但真正的鼻祖應(yīng)該是Faster RCNN的RPN

e0ba6620-a929-11eb-9728-12bb97331649.png

主要優(yōu)點(diǎn):

1、快 2、采用全局特征進(jìn)行推理,由于利用全局上下文信息,相比于滑動(dòng)窗口和建議框方法,對(duì)背景的判斷更準(zhǔn)確 3、泛化性,訓(xùn)練好的模型在新的領(lǐng)域或者不期望的輸入情況下依然具有較好的效果

主要不足:

1、準(zhǔn)確性:與Faster RCNN相比,correcct反映了YOLOv1準(zhǔn)確率較低,background反映了召回率較高,但總體性能F1較低,雖然loss采用長(zhǎng)寬平方根進(jìn)行回歸,試圖降低大目標(biāo)對(duì)loss的主導(dǎo)地位,但小目標(biāo)的微小偏差對(duì)IOU的影響更嚴(yán)重,導(dǎo)致小目標(biāo)定位不準(zhǔn)

e0c34358-a929-11eb-9728-12bb97331649.jpg

2、目標(biāo)重疊:雖然通過(guò)每個(gè)S*S的網(wǎng)格點(diǎn)設(shè)置了2個(gè)預(yù)測(cè)框用于回歸訓(xùn)練,但是每個(gè)網(wǎng)格點(diǎn)設(shè)置了一種類別,無(wú)法解決不同類別目標(biāo)重疊率較大,導(dǎo)致映射到相同網(wǎng)格點(diǎn)上的問(wèn)題

3、多尺度:由于模型只是簡(jiǎn)單使用下采樣獲得的粗糙特征,很難將其推廣到具有新的或不同尋常的寬高比或配置的對(duì)象

4、實(shí)時(shí)性:雖然與Faster RCNN相比,速度很快,但還可以更快,主要是由于v1中使用了全連接網(wǎng)絡(luò),不是全卷積網(wǎng)絡(luò)

全連接層參數(shù)=7x7x1024x4096+4096X7x7x30=2x10^8

e0f959ca-a929-11eb-9728-12bb97331649.jpg

SSD

通過(guò)使用FCN全卷積神經(jīng)網(wǎng)絡(luò),并利用不同尺度的特征圖進(jìn)行目標(biāo)檢測(cè),在速度和精度都得到了極大提升

主要優(yōu)點(diǎn)

1、實(shí)時(shí)性:相比YOlOv1更快,因?yàn)槿コ巳B接層

2、標(biāo)簽方案:通過(guò)預(yù)測(cè)類別置信度和相對(duì)固定尺度集合的先驗(yàn)框的偏差,能夠有效均衡不同尺度對(duì)loss的影響程度

3、多尺度:通過(guò)使用多個(gè)特征圖和對(duì)應(yīng)不同尺度的錨框進(jìn)行多尺度目標(biāo)預(yù)測(cè)

4、數(shù)據(jù)增強(qiáng):通過(guò)隨機(jī)裁剪的方式進(jìn)行數(shù)據(jù)增強(qiáng)提高模型的魯棒性

5、樣本不平衡:通過(guò)困難樣本挖掘,采用負(fù)樣本中置信度最高的先驗(yàn)框進(jìn)行訓(xùn)練,并設(shè)置正負(fù)樣本比例為1:3,使得模型訓(xùn)練收斂更快

e1061bb0-a929-11eb-9728-12bb97331649.jpg

主要不足

1、通過(guò)人工先驗(yàn)設(shè)置的不同尺度的錨框無(wú)法適應(yīng)真實(shí)的目標(biāo)框的尺度分布 2、使用的多個(gè)特征圖由于高分辨率的特征圖不能有效地結(jié)合高層特征

YOLOv2

針對(duì)YOLOv1在解決多尺度和實(shí)時(shí)性方面的不足,提出了YOLOv2

e111aa2a-a929-11eb-9728-12bb97331649.jpg

主要優(yōu)點(diǎn):

1、更好 1)Batch Normalization:使得性能極大提升;

2)Higher Resolution Classifier:使預(yù)訓(xùn)練分類任務(wù)分辨率與目標(biāo)檢測(cè)的分辨率一致;

3)Convolutional With Anchor Boxes:使用全卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)偏差,而非具體的坐標(biāo),模型更容易收斂;

4)Dimension Clusters:通過(guò)聚類算法設(shè)置錨框的尺度,獲得更好的先驗(yàn)框,緩解了不同尺度對(duì)loss的影響變化;

5)Fine-Grained Features:通過(guò)簡(jiǎn)單相加融合了低層的圖像特征;

6)Multi-Scale Training:通過(guò)使用全卷積網(wǎng)絡(luò)使得模型支持多種尺度圖像的輸入并輪流進(jìn)行訓(xùn)練

e1256e16-a929-11eb-9728-12bb97331649.jpg

2、更快,構(gòu)建Darknet-19代替VGG-16作為backbone具有更好的性能

e16bca0a-a929-11eb-9728-12bb97331649.jpg

主要不足

1、多尺度:在模型維度只是簡(jiǎn)單融合底層特征,在輸入維度進(jìn)行多尺度圖像分辨率的輸入訓(xùn)練,不能克服模型本身感受野導(dǎo)致的多尺度誤差

RetinaNet

論文:Focal Loss for Dense Object Detection

主要優(yōu)點(diǎn)

1、多尺度:借鑒FPN網(wǎng)絡(luò)通過(guò)自下而上、自上而下的特征提取網(wǎng)絡(luò),并通過(guò)無(wú)代價(jià)的橫向連接構(gòu)建增強(qiáng)特征提取網(wǎng)絡(luò),利用不同尺度的特征圖檢測(cè)不同大小的目標(biāo),利用了底層高分率的特征圖有效的提高了模型對(duì)小尺度目標(biāo)的檢測(cè)精度 2、樣本不平衡:引入Focal Loss用于候選框的【類別預(yù)測(cè)】,克服正負(fù)樣本不平衡的影響及加大困難樣本的權(quán)重

主要不足

1、實(shí)時(shí)性:網(wǎng)絡(luò)使用ResNet-101作為主干特征提取網(wǎng)絡(luò),檢測(cè)效率略微不足

e1bc0e52-a929-11eb-9728-12bb97331649.jpg

YOLOv3

論文:YOLOv3: An Incremental Improvement

主要優(yōu)點(diǎn)

1、實(shí)時(shí)性:相比RetinaNet,YOLOv3通過(guò)犧牲檢測(cè)精度,使用Darknet主干特征提取網(wǎng)絡(luò)而不是Resnet101,從而獲取更快的檢測(cè)速度

2、多尺度:相比于YOLOv1-v2,與RetinaNet采用相同的FPN網(wǎng)絡(luò)作為增強(qiáng)特征提取網(wǎng)絡(luò)得到更高的檢測(cè)精度

3、目標(biāo)重疊:通過(guò)使用邏輯回歸和二分類交叉熵?fù)p失函數(shù)進(jìn)行類別預(yù)測(cè),將每個(gè)候選框進(jìn)行多標(biāo)簽分類,解決單個(gè)檢測(cè)框可能同時(shí)包含多個(gè)目標(biāo)的可能

主要不足

1、準(zhǔn)確率:主要因?yàn)镈arknet的特征提取不夠強(qiáng),未進(jìn)行精細(xì)化結(jié)構(gòu)模型設(shè)計(jì)

e1fdf90c-a929-11eb-9728-12bb97331649.jpg

e20a3c44-a929-11eb-9728-12bb97331649.jpg

YOLOv4

論文:YOLOv4: Optimal Speed and Accuracy of Object Detection 鑒于YOLOv3的缺點(diǎn),YOLOv5進(jìn)行了Darknet53主干特征提取網(wǎng)絡(luò)等一系列改進(jìn)

主要優(yōu)點(diǎn)

1、實(shí)時(shí)性:借鑒CSPNet網(wǎng)絡(luò)結(jié)構(gòu)將Darknet53改進(jìn)為CSPDarknet53使模型參數(shù)和計(jì)算時(shí)間更短

e242d34c-a929-11eb-9728-12bb97331649.jpg

2、多尺度:頸部分別引入PAN和SPP網(wǎng)絡(luò)結(jié)構(gòu)作為增強(qiáng)特征提取網(wǎng)絡(luò),能夠有效多尺度特征,相比于引入FPN網(wǎng)絡(luò)準(zhǔn)確度更高

3、數(shù)據(jù)增強(qiáng):引入Mosaic數(shù)據(jù)增強(qiáng),在使用BN的時(shí)候可以有效降低batch_size的影響

4、模型訓(xùn)練,采用IOU:GIoU,DIoU,CIoU作為目標(biāo)框的回歸,與YOLOv3使用的平方差損失相比具有更高的檢測(cè)精度

e26bb7b2-a929-11eb-9728-12bb97331649.png

e2760f0a-a929-11eb-9728-12bb97331649.jpg

YOLOv5

為了進(jìn)一步提升YOLOv4的檢測(cè)速度,YOLOv5采用了更輕量的網(wǎng)絡(luò)結(jié)構(gòu)

主要優(yōu)點(diǎn)

1、多尺度:使用FPN增強(qiáng)特征提取網(wǎng)絡(luò)代替PAN,使模型更簡(jiǎn)單,速度更快 2、目標(biāo)重疊:使用四舍五入的方法進(jìn)行臨近位置查找,使目標(biāo)映射到周圍的多個(gè)中心網(wǎng)格點(diǎn)

主要不足

1、通過(guò)長(zhǎng)寬比篩選并過(guò)濾了大小和長(zhǎng)寬比較極端的真實(shí)目標(biāo)框,而這些恰恰在真實(shí)檢測(cè)任務(wù)極為重要,和重點(diǎn)解決的檢測(cè)問(wèn)題

e27fcb1c-a929-11eb-9728-12bb97331649.jpg

編輯:jq

聲明:本文內(nèi)容及配圖由入駐作者撰寫(xiě)或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 檢測(cè)器
    +關(guān)注

    關(guān)注

    1

    文章

    887

    瀏覽量

    48396
  • SVM
    SVM
    +關(guān)注

    關(guān)注

    0

    文章

    154

    瀏覽量

    32940
  • 目標(biāo)檢測(cè)
    +關(guān)注

    關(guān)注

    0

    文章

    222

    瀏覽量

    15890
  • 卷積神經(jīng)網(wǎng)絡(luò)

    關(guān)注

    4

    文章

    369

    瀏覽量

    12176

原文標(biāo)題:基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法面試必備(RCNN~YOLOv5)

文章出處:【微信號(hào):vision263com,微信公眾號(hào):新機(jī)器視覺(jué)】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    基于RK3576開(kāi)發(fā)板的車輛檢測(cè)算法

    車輛檢測(cè)是一種基于深度學(xué)習(xí)的對(duì)人進(jìn)行檢測(cè)定位的目標(biāo)檢測(cè),能廣泛的用于園區(qū)管理、交通分析等多種場(chǎng)景
    的頭像 發(fā)表于 05-08 17:34 ?818次閱讀
    基于RK3576開(kāi)發(fā)板的車輛<b class='flag-5'>檢測(cè)算法</b>

    基于RK3576開(kāi)發(fā)板的安全帽檢測(cè)算法

    安全帽佩戴檢測(cè)是工地、生產(chǎn)安全、安防的重中之重,但人為主觀檢測(cè)的方式時(shí)效性差且不能全程監(jiān)控。AI技術(shù)的日漸成熟催生了安全帽佩戴檢測(cè)方案,成為了監(jiān)督佩戴安全帽的利器。本安全帽檢測(cè)算法是一
    的頭像 發(fā)表于 05-08 16:59 ?1468次閱讀
    基于RK3576開(kāi)發(fā)板的安全帽<b class='flag-5'>檢測(cè)算法</b>

    基于RV1126開(kāi)發(fā)板的車輛檢測(cè)算法開(kāi)發(fā)

    車輛檢測(cè)是一種基于深度學(xué)習(xí)的對(duì)人進(jìn)行檢測(cè)定位的目標(biāo)檢測(cè),能廣泛的用于園區(qū)管理、交通分析等多種場(chǎng)景
    的頭像 發(fā)表于 04-14 16:00 ?203次閱讀
    基于RV1126開(kāi)發(fā)板的車輛<b class='flag-5'>檢測(cè)算法</b>開(kāi)發(fā)

    基于RV1126開(kāi)發(fā)板的吸煙檢測(cè)算法開(kāi)發(fā)

    吸煙檢測(cè)是一種基于深度學(xué)習(xí)的對(duì)抽煙人群進(jìn)行檢測(cè)定位的目標(biāo)檢測(cè),能廣泛的用于安防、生產(chǎn)安全、園區(qū)管
    的頭像 發(fā)表于 04-14 15:37 ?221次閱讀
    基于RV1126開(kāi)發(fā)板的吸煙<b class='flag-5'>檢測(cè)算法</b>開(kāi)發(fā)

    基于RV1126開(kāi)發(fā)板的安全帽檢測(cè)算法開(kāi)發(fā)

    安全帽佩戴檢測(cè)是工地、生產(chǎn)安全、安防的重中之重,但人為主觀檢測(cè)的方式時(shí)效性差且不能全程監(jiān)控。AI技術(shù)的日漸成熟催生了安全帽佩戴檢測(cè)方案,成為了監(jiān)督佩戴安全帽的利器。本安全帽檢測(cè)算法是一
    的頭像 發(fā)表于 04-14 15:10 ?191次閱讀
    基于RV1126開(kāi)發(fā)板的安全帽<b class='flag-5'>檢測(cè)算法</b>開(kāi)發(fā)

    基于RV1126開(kāi)發(fā)板的人臉檢測(cè)算法開(kāi)發(fā)

    在RV1126上開(kāi)發(fā)人臉檢測(cè)算法組件
    的頭像 發(fā)表于 04-14 10:19 ?210次閱讀
    基于RV1126開(kāi)發(fā)板的人臉<b class='flag-5'>檢測(cè)算法</b>開(kāi)發(fā)

    軒轅智駕紅外目標(biāo)檢測(cè)算法在汽車領(lǐng)域的應(yīng)用

    在 AI 技術(shù)蓬勃發(fā)展的當(dāng)下,目標(biāo)檢測(cè)算法取得了重大突破,其中紅外目標(biāo)檢測(cè)算法更是在汽車行業(yè)掀起了波瀾壯闊的變革,從根本上重塑著汽車的安全性能、駕駛體驗(yàn)與產(chǎn)業(yè)生態(tài)。
    的頭像 發(fā)表于 03-27 15:55 ?290次閱讀

    睿創(chuàng)微納推出新一代目標(biāo)檢測(cè)算法

    隨著AI技術(shù)的發(fā)展,目標(biāo)檢測(cè)算法也迎來(lái)重大突破。睿創(chuàng)微納作為熱成像領(lǐng)軍者,憑借深厚的技術(shù)積累與創(chuàng)新能力,結(jié)合AI技術(shù)推出新一代目標(biāo)檢測(cè)算法,以三大核心技術(shù)帶來(lái)AI視覺(jué)感知全場(chǎng)景解決方案
    的頭像 發(fā)表于 03-20 13:49 ?325次閱讀

    深度識(shí)別算法包括哪些內(nèi)容

    :CNN是深度學(xué)習(xí)中處理圖像和視頻等具有網(wǎng)格結(jié)構(gòu)數(shù)據(jù)的主要算法。它通過(guò)卷積層、池化層和全連接層等組件,實(shí)現(xiàn)對(duì)圖像特征的自動(dòng)提取和識(shí)別。 應(yīng)用領(lǐng)域 :CNN在圖像識(shí)別、目標(biāo)
    的頭像 發(fā)表于 09-10 15:28 ?707次閱讀

    慧視小目標(biāo)識(shí)別算法 解決目標(biāo)檢測(cè)中的老大難問(wèn)題

    隨著深度學(xué)習(xí)和人工智能技術(shù)的興起與技術(shù)成熟,一大批如FasterR-CNN、RetinaNet、YOLO等可以在工業(yè)界使用的目標(biāo)檢測(cè)算法已逐步成熟并進(jìn)入實(shí)際應(yīng)用,大多數(shù)場(chǎng)景下的
    的頭像 發(fā)表于 07-17 08:29 ?869次閱讀
    慧視小<b class='flag-5'>目標(biāo)</b>識(shí)別<b class='flag-5'>算法</b>   解決<b class='flag-5'>目標(biāo)</b><b class='flag-5'>檢測(cè)</b>中的老大難問(wèn)題

    深度學(xué)習(xí)算法在嵌入式平臺(tái)上的部署

    隨著人工智能技術(shù)的飛速發(fā)展,深度學(xué)習(xí)算法在各個(gè)領(lǐng)域的應(yīng)用日益廣泛。然而,將深度學(xué)習(xí)算法部署到資源
    的頭像 發(fā)表于 07-15 10:03 ?2674次閱讀

    基于深度學(xué)習(xí)的小目標(biāo)檢測(cè)

    在計(jì)算機(jī)視覺(jué)領(lǐng)域,目標(biāo)檢測(cè)一直是研究的熱點(diǎn)和難點(diǎn)之一。特別是在小目標(biāo)檢測(cè)方面,由于小目標(biāo)在圖像中所占比例小、特征不明顯,使得
    的頭像 發(fā)表于 07-04 17:25 ?1851次閱讀

    口罩佩戴檢測(cè)算法

    口罩佩戴檢測(cè)算法基于YOLOv5在圖像識(shí)別檢測(cè)領(lǐng)域的優(yōu)異性能,本文研究基于基于YOLOv5的口罩佩自動(dòng)戴檢測(cè)方法。首先從網(wǎng)絡(luò)和真實(shí)生活中中尋找并采集不同場(chǎng)景人群口罩佩戴的圖片約500張并自建數(shù)據(jù)集
    的頭像 發(fā)表于 07-01 20:20 ?579次閱讀
    口罩佩戴<b class='flag-5'>檢測(cè)算法</b>

    人員跌倒識(shí)別檢測(cè)算法

    人員跌倒識(shí)別檢測(cè)算法是基于視頻的檢測(cè)方法,通過(guò)對(duì)目標(biāo)人體監(jiān)測(cè),當(dāng)目標(biāo)人體出現(xiàn)突然倒地行為時(shí),自動(dòng)監(jiān)測(cè)并觸發(fā)報(bào)警。人員跌倒識(shí)別檢測(cè)算法基于計(jì)算
    的頭像 發(fā)表于 06-30 11:47 ?708次閱讀
    人員跌倒識(shí)別<b class='flag-5'>檢測(cè)算法</b>

    安全帽佩戴檢測(cè)算法

    安全帽佩戴監(jiān)控是鐵路工程施工人員安全管理中的重點(diǎn)和難點(diǎn),它對(duì)檢測(cè)算法的準(zhǔn)確 率與檢測(cè)速度都有較高的要求。本文提出一種基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的安全帽佩戴檢測(cè)算法 NAS-YOLO。該神經(jīng)網(wǎng)絡(luò)架構(gòu)由上
    的頭像 發(fā)表于 06-26 22:22 ?668次閱讀
    安全帽佩戴<b class='flag-5'>檢測(cè)算法</b>