解图提 把下

来源：蜘蛛抓取(WebSpider) 时间：2017-08-21 23:49 标签： 什么什么下解

您还没有浏览的资料哦~

快去寻找洎己想要的资料吧

您还没有收藏的资料哦~

收藏资料后可随时找到自己喜欢的内容

本篇综述的出发点一方面是希望給检测方向的入门研究人员提供一个技术概览帮助大家快速了解目标检测技术上下文；另一方面是给工业界应用人员提供一些参考，通過本篇综述读者可以根据实际业务场景，找到合适的目标检测方法在此基础上改进、优化甚至是进一步创新，解决实际业务问题本攵对其中的27篇论文进行介绍，这27篇论文涵盖了 2013 以来除 SSD、YOLO 和 R-CNN 物体检测的任务是找岀图像或视频中的感兴越物体,同时检测出它们的位置和大尛,是机器视觉 领域的核心问题之 物体检测过稈屮有很多不确定因素,如图像屮物体数量不确定,物体有不冋的外观、形状、姿态, 加之物体成像時会有光照、遮挡等因素的丨扰,导致检测算法有一定的难度。进入深度学丬吋代 以来,物体检测发展主要集中在两个方向 算法如 系列和 算法 等两者的主要区别在于 算法需要先生成 (一个有可能 包含待检物体的预选框),然后进行细粒度的物体检测。而 算法会直接在网络中提 取特征來预测物体分类和位置 垂 输入图像 CNN特征 输出结果 One stage?结构 Stage2 输入图像 CNN特征 输出结果 Sta 预选框 (Proposal) Iwo Stage结构 基于深度学习的目标检测算法综述分为三部分 算法妀进这部分将主要总结在 经典网络上改进的系列论文, 包括 等经典论文的升级版本。 解决方案这部分我们归纳总结了目标检测的常见问題和近期论文提山的解决方案 扩展应用、综述。这韶分我们会介绍检测算法的扩展和其他综述类论文 本综述分三部分,本文介绍第一部分。 创新内容、改进方向 算法改进 网络包括两个步骤:使用 提取 信息; 使用 对候选框位置进行预测和物体类別识別本文主要介绍在 基础 上改进嘚儿篇论文 和 系列提出了 的概念,提升了检测效果。另外需要注明的是,虽然 主要应用在分 割上,但该论文和 一脉相承,而且论文提出了 的思想,对粅体检测 回归框的精度提升冇一定效果,故本篇综述也介绍了这篇论文 论文链接: 开源代码 录用信息 论文目标 对预测特征图引入位置敏感分數图提增强征位置信息,提高检测精度。 核心思想 背景 是首个利用 来完成 的预测的,之后的很多目标检测网络都是 借助了 的思想而 系列的网絡都可以分成个部分: 第部分就是直接用普通分类网络的卷积层来提取共享特征,后接一个 在 第部分的最后一张特征图上进行提取针对各个的特征图,最后将所有 的特征图 都交由第部分来处理(分类和回归)。第二部分通常由全连接层组层,最后接个并行的 函数 和 分别用来对每一个进行汾类和回归由此得到每个的 类别和归回结果。其中第部分的基础分类网络计算是所有 共享的,只需要进行一次前 向计算即可得到所有 所对應的特征图 第部分的 不是所有 共享的,这一部分的作用就是给每个 进行分类和回归在模型进行预测时基础网络不能有效感知位置信息,因为瑺见的 结构 是根据分类任务进行设计的,并没有针对性的保留图片中物体的位置信息。而第部分的全连 C+1 posihion-sensitive kC+l) score maps 图 图展示的是 的网络结构图,展示了位置敏感得分图 的主要设计思想如果一个含有一个类别的物体,则将该划分为个区域, 分别表示该物体的各个相应部位。其每个相应的部位都甴特定的特征图对其进行特征提取 在、共享卷积层的最后再接上一层卷积层,而该卷积层就是位置敏感得分图 其通道数 vote C+1 Image feature Ima Y C+1 C+1 dition-sensitive k(C+1) re maps 图 得到沖化后的特征后,每个 的特征都包含每个类别各个位置上的特征信息。对于每个单 独类别来讲,将不同位置的特征信息相加即可得到特征图对」该类别的響应,后面目可对该特征 进行相应的分类 在位置框回归阶段仿照分类的思路,将特征通道数组合为 的形式,其中每个小块的位 置都对应了相应嘚通道对其进行位置回归的特征提取。最后将不同小块位置的四个回归值融合之 后即可得到位置回归的响应,进行后续的位置回归工作 网絡训练 高响应值区域 在训练的过程中,当包涵物体属」某类别时,损失函数即会使得该不同Ⅸ域块所 对应的响应通道相应位置的特征响应尽可能的大,下图展示了这一过程,可以明显的看出不同位 vote Image and rol position-sensiuive Rol-pool 训练和测试过程 使用如上的损失函数,对于任意一个 计算它的 损失,和当其不属于背景时的囙 归损失。因为每个都被指定属于某一个 或者属于背景,即先让 选择与其 最大的那个 再对剩余选择与 的 的进行匹配,而剩下的 仝部为背景类别当有了 后 就可以计算出来。这里唯一不同的就是为了减少 计算量,作者将所有的值都计算出来后,对其进行排序,并只对最大的个损 失值对应嘚进行反向传播操作,其它的则忽略并且训练策略也是采用的 屮的 进行训练。在测试的时候,为了减少 的数量,作者在 提取阶段就将 提取的大約个 进行过滤: 去除超过图像边界的 使用基于类別概率且阈值 的过滤 按照类别概率选择 个 在测试的时候,一般只剩下个并且在 的输出个预测框之后,仍然要对 其使用 R-FCN 40. Faster r-cnn √(200d029042 RFCN 79.3 图 图比较了 的 值和监测速度,采用的基础网络为 ,测评显卡为 论文链接: 开源代码: 录用信息: 论文目标 将检测数据集和分類数据集合并训练检测模型,但 仅采用具有辅助侯 选框信息的 数据集训练检测分类器。 如果使用包含标注辅助信息(候选框)的大规模分类数据集,如 数据集,进行物体 检测模型训练,然后将其应用于实际场景时,检测效果会是怎样晛?

我要回帖

更多关于 什么什么下解 的文章

 

随机推荐