大数据时代的富士康,在图上画一个框3分钱

在河南省平顶山郏县,有一家特殊的公司。

这里生产你美颜时“一键瘦脸”的尖下颌,你一起学猫叫时的动态胡须,张学友演唱会被实时识别的犯人,生产未来的自动驾驶,智能门禁……

这里是中国特色的数据车间,他们遍布在河南、山东、河北等地的四五线小城里,日以继夜地为世界领先的AI产品服务。

越来越多的人正在加入他们的行列,成为县城里为AI打工的人。

这里工作的员工,基本都是高中学历,没有一个本科学历的员工。

640?wx_fmt=png

这里有很多老乡,为了一件价值100块的商品,赶20公里路来做数据采集。

640?wx_fmt=png

其实,这件事情,做的也是正经生意,无论怎样,也是在为AI进步做贡献,你觉得呢?

往期回顾:

滴滴如何使用人工智能来欺骗司机和乘客的?

从“猜画小歌”背后的AI原理,教大家如何得高分

何必心中无码,AI让你眼见为实

党给我智慧给我胆,梯度给我努力的方向

【通俗理解】凸优化

【通俗理解】区块链

外卖机器人诞生!快递小哥会失业吗?

刚刚,有位大神用AI搞定了多位女神

你敢@微信官方,不怕它真送你一顶绿色圣诞帽?

别人都在晒18岁照片,而我却在学习~

今日头条败给了色情?AI算法不行,还是另有隐情?

【机器学习】python凭什么能被纳入教材

【机器学习】朴素贝叶斯算法分析

【机器学习】主成分(PCA)算法分析

【机器学习】非线性回归算法分析

【机器学习】线性回归算法分析

读AlphaZero论文随想

进击的TensorFlow

【通俗理解】协方差

【通俗理解】贝叶斯统计

从一个双控开关思考神经网络(下)

从一个双控开关思考神经网络(上)

640?wx_fmt=jpeg

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可为两个关键的子任务,目标定位和目标类。首先检测像中目标的位置(目标定位),然后给出每个目标的具体类别(目标类)。输出结果是一个边界(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示的左上角坐标和右下角坐标),一个置信度数(Confidence Score),表示边界中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要为两类:Two stage和One stage。Two stage方法将目标检测过程为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选。第二个阶段是类和位置精修阶段,将第一个阶段生成的候选输入到另一个 CNN 中进行类,并根据类结果对候选的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界,对成百上千的预测边界都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度数阈值,将置信度数小于阈值的直接过滤掉 将剩下的置信度数从大到小排序,选中值最大的 遍历其余的,如果和当前的重叠面积(IOU)大于设定的阈值(一般为0.7),就将删除(超过设定阈值,认为两个面的物体属于同一个类别) 从未处理的中继续选一个置信度数最大的,重复上述过程,直至所有处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界的重叠度,当预测边界和真实边界差异很小时,或重叠度很大时,表示模型产生的预测边界很准确。边界A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下所示: Precision表示TP与预测边界数量的比值 Recall表示TP与真实边界数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值