没有合适的资源?快使用搜索试试~ 我知道了~
资源详情
资源评论
资源推荐
目标检测 分割
1、 网络介绍
物本文涉及到的网络:
RPN -- (Region Proposal Networks)区域生成网络,多个模型中用到,如目标检测
Faster R-CNN
FPN --(Feature Pyramid Networks)特征金字塔网络,用于实例分割 MASK R-CNN
Faster R-CNN、Yolo -- 目标检测
MASK R-CNN -- 实例分割
FCN -- (全卷积网络)语义分割
MTCNN -- 人脸识别,包含 P-net,R-net,O-net
2、 目标检测
(1) 物体检测简介:五大应用之一
分类、物体检测、语义分割、实例分割、目标跟踪
目标检测
• 物体识别是要分辨出图片中有什么物体,输入是图片,输出是类别标签和概
率。物体检测算法不仅要检测图片中有什么物体,还要输出物体的外框(x, y,
width, height)来定位物体的位置。
• object detection,就是在给定的图片中精确找到物体所在位置,并标注出物体的
类别。
• object detection 要解决的问题就是物体在哪里以及是什么的整个流程问题。
• 然而,这个问题可不是那么容易解决的,物体的尺寸变化范围很大,摆放物体
的角度,姿态不定,而且可以出现在图片的任何地方,更何况物体还可以是多个
类别。
(2) 常见检测网络:目前学术和工业界出现的目标检测算法分成 3 类:
1) 传统的目标检测算法:
Cascade + HOG/DPM + Haar/SVM 以及上述方法的诸多改进、优化;
2) 候选区域/框 + 深度学习分类:
通过提取候选区域,并对相应区域进行以深度学习方法为主的
分类的方案,如:
• R-CNN(Selective Search + CNN + SVM)
• SPP-net(ROI Pooling)
• Fast R-CNN(Selective Search + CNN + ROI) # ROI 全称是 Region of
Interest,即“特征图上的框”
• Faster R-CNN(RPN + CNN + ROI) # RPN 全称是 Region Proposal Network,
目标是代替 Selective Search 实现候选框的提取。
3) 基于深度学习的回归方法:
YOLO/SSD/DenseBox 等方法;以及最近出现的结合 RNN 算法的 RRC
detection;结合 DPM 的 Deformable CNN 等
(3) 评价算法 - IOU – S 交集/S 并集
1) IOU
Intersection over Union 是一种测量在特定数据集中检测相应物体准确度的一
个标准。
IoU 是一个简单的测量标准,只要是在输出中得出一个预测范围(bounding
boxex)的任务都可以用 IoU 来进行测量。
为了可以使 IoU 用于测量任意大小形状的物体检测,我们需要:
1、 ground-truth bounding boxes(人为在训练集图像中标出要检测物体的大
概范围);
2、我们的算法得出的结果范围。
也就是说,这个标准用于测量真实和预测之间的相关度,相关度越高,该值
越高。
(4) 评价算法 - Precision 和 accuracy
TP TN FP FN 里面一共出现了 4 个字母,分别是 T F P N。
T 是 True;
F 是 False;
P 是 Positive;
N 是 Negative。
T 或者 F 代表的是该样本 是否被正确分类。
P 或者 N 代表的是该样本 原本是正样本还是负样本。
TP(True Positives)意思就是被分为了正样本,而且分对了。
TN(True Negatives)意思就是被分为了负样本,而且分对了,
FP(False Positives)意思就是被分为了正样本,但是分错了(事实上这个样本是负
样本)。
FN(False Negatives)意思就是被分为了负样本,但是分错了(事实上这个样本是
正样本)。
在 mAP 计算的过程中主要用到了,TP、FP、FN 这三个概念。
1) precision(精确度)和 recall(召回率)
TP 是分类器认为是正样本而且确实是正样本的例子,FP 是分类器认为是正样本但
实际上不是正样本
的例子,Precision 翻译成中文就是“分类器认为是正类并且确实是正类的部分占
所有分类器认为是
正类的比例”。
TP 是分类器认为是正样本而且确实是正样本的例子,FN 是分类器认为是负样本但
实际上不是负样
本的例子,Recall 翻译成中文就是“分类器认为是正类并且确实是正类的部分占所
有确实是正类的比
例”。
精度就是找得对,召回率就是找得全。
2) 正确率 accuracy
正确率是我们最常见的评价指标,accuracy = (TP+TN)/(P+N),这个很容易理
解,就是被分对的样本数除以所有的样本数,通常来说,正确率越高,分类器越
好;
剩余84页未读,继续阅读
风路丞
- 粉丝: 79
- 资源: 12
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0