目标检测 2021 /11/20

最新推荐文章于 2024-07-30 10:01:23 发布
最新推荐文章于 2024-07-30 10:01:23 发布
阅读量3.5k 收藏 3
点赞数
文章标签： 目标检测 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_61928877/article/details/121434713
版权

文章目录

  1. 目标检测定义

    在图片中对可变数量的目标进行查找和分类

  2. 目标检测存在的三个难点

    目标种类与数量问题(人群的稠密与稀疏)
    目标尺度问题(行人远近的问题)
    外界环境干扰问题(光照的变化，遮挡，图像的质量)
    行人的移动
    在这里插入图片描述

  3. 目标检测 vs 图像分类
    在这里插入图片描述

目标检测：用不同的矩形框选出不同的物体，矩形框上的数字代表该物体的可信度。
在这里插入图片描述
图像分类：把相同的图片分成不同的类别。

  1. 目标检测，图像处理是计算机视觉基础的内容，后续会有目标跟踪，譬如：多目标跟踪，单目标跟踪等。
  2. 目标分割

在这里插入图片描述
在这里插入图片描述

1 semantic segmentation 语义分割，同类用相同颜色处理。
2 instance segmentation 实例分割，同类别也划分不同实例。
3 二者都要在像素层面给出结果。

目标检测的变迁

在这里插入图片描述

传统目标检测局限性：

  1. 设计特征很难设计，设计的特征存在各种各样的问题。
  2. 效率存在瓶颈
  3. 通过滑动窗口的方式提取目标框，费时。

算法的基本流程

在这里插入图片描述

传统目标检测算法vs深度学习目标检测算法

在这里插入图片描述

传统目标检测算法综述

在这里插入图片描述

输入：待检测的图片
候选框：滑动窗口
特征提取：计算机视觉+模式识别 特征分为三个层次，底层特征：颜色，纹理。中层特征：基于底层特征，pca特征，lda特征。高层次特征：基于底层、中层特征，是否带帽子，是否戴眼镜。

V-J 检测算法

主要用于人脸识别

Haar特征提取
训练人脸分类器(Adaboost算法)
滑动窗口

Hog+SVM 检测算法（行人检测，Opencv实现）

Hog特征提取
Svm分类器
滑动窗口选取

DPM算法

Hog的拓展
利用SVM训练得到物体的梯度

NMS(Non-maximum-suppression)

在这里插入图片描述

目的：为了消除冗余的框，找到最佳物体的检测位置
思想：选取那些邻域里分数最高的窗口，同事抑制分数低的窗口

你的笑很夕阳
关注
SSD_Tensorflow目标检测，实现在识别框上显示物体的明确分类（解决类别显示为数字的问题）
左手の明天的博客
06-12 1886
在利用SSD_Tensorflow进行目标检测时，检测出来的结果的显示框上往往都显示的是数字，如下图所示。 这样检测出来的结果不是很直观。我们最想要的结果应该是在显示框上可以明确显示物体的分类情况。如下图所示： 因此我们需要对SSD-Tensorflow/notebooks/visualization.py进行相应的修改。 源码地址： https://github.com/balancap/SSD-Tensorflow 修改结果如下：visualization.py 需要修改的地方我都用#=====
目标检测算法——YOLOv5/YOLOv7改进之结合​RepVGG（速度飙升）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-11 1万+
目标检测算法——YOLOv5/YOLOv7改进之结合​RepVGG（速度飙升）。在ImageNet上，据我们所知，RepVGG的top-1准确性达到80％以上，这是老模型首次实现该精度。 在NVIDIA 1080Ti GPU上，RepVGG模型的运行速度比ResNet-50快83％，比ResNet-101快101％，并且具有更高的精度，与诸如EfficientNet和RegNet的最新模型相比，RepVGG显示出良好的精度-速度权衡。效果对比如下图所示。
目标检测
朱小丰的博客
10-14 281
定位与检测 我们 不仅要用算法判断图片中是不是一辆汽车，还要在图片中标记出它的位置，用边框或红色方框把汽车圈起来，这就是定位问题。 当图片中有多个对象时，应该如何检测它们，并确定出位置。比如， 你正在做一个自动驾驶程序，程序不但要检测其它车辆，还要检测其它对象，如行人、摩托车等等。 定位的表示 对于分类问题我们网络最输出的是每个类别对应的概率大小 如果你想定位图片中汽车的位置...
目标检测算法介绍
最新发布
qq_34934065的博客
07-30 381
目标检测任务通常包括两个步骤：一是定位，即确定物体在图像中的位置；二是分类，即识别物体的类别。传统的目标检测方法基于滑动窗口和人工特征，而现代目标检测算法则广泛使用深度学习技术，实现了更高的精度和效率。
目标检测中常见指标
MengHao的博客
03-19 5028
首先给出一幅图： 图中绿色部分为人工标注的Ground Truth边界框，红色部分为模型预测的Bounding Box边界框。 那么自然就会存在一个问题： 目标检测怎样才算正确？ IoU大于指定阈值？ 类别判断正确？ cofidence大于指定阈值？ 下面开始介绍上面的问题所涉及到的概念。 ...
目标检测中计算数据集每一类别框的数量
a_1234567890_的博客
01-25 2959
众所周知，一个好的目标检测模型需要大量的数据来训练，当数据量较多的情况，我们没办法直观看到每一类别的目标框个数，就无法判断类别是否平衡。 下面的算法作用就是统计数据集中每一类别的目标框个数，只需要修改xml文件地址就可直接使用。 # -*- coding:utf-8 -*- import os import xml.etree.ElementTree as ET import numpy as np import matplotlib from PIL import Image def parse_ob.
目标检测网络的常见评价指标
qq_42542582的博客
05-09 3915
声明：从b站上抄的，原视频链接https://www.bilibili.com/video/BV13k4y1m7DY?spm_id_from=333.880.my_history.page.click 下面是我的笔记，截图均来自原视频。 举例说明：单类物体检测时，以人脸检测为例。如图 绿色实线和虚线框：人脸的真实标注 红色的实线框和虚线框：算法的检测结果 框左上角的红色数字：结果为人脸的概率 从图中我们可以得到一下信息： 算法检测出的人脸个数为：5个（红框） 人脸的真实标注个数为：5个.
YOLOv5相关基础概念通俗解释
qq_40761320的博客
12-02 8380
IoU IoU(Intersection over Union)，即交并比，是目标检测中常见的评价标准，主要是衡量模型生成的bounding box和ground truth box之间的重叠程度，计算公式为： Baseline 基线(Baseline)：被用为对比模型表现参考点的简单模型。基线帮助模型开发者量化模型在特定问题上的预期表现。 GT box ground truth 红色的框是使用selective search提取出的region proposal，绿色的框是ground t
深度学习目标检测数据VisDrone2019（to yolo / voc / coco）---MMDetection数据篇
热门推荐
qq_41627642的博客
05-11 3万+
1、VisDrone2019数据集介绍 配备摄像头的无人机(或通用无人机)已被快速部署到广泛的应用领域，包括农业、航空摄影、快速交付和监视。因此，从这些平台上收集的视觉数据的自动理解要求越来越高，这使得计算机视觉与无人机的关系越来越密切。我们很高兴为各种重要的计算机视觉任务展示一个大型基准，并仔细注释了地面真相，命名为VisDrone，使视觉与无人机相遇。VisDrone2019数据集由天津大学机器学习和数据挖掘实验室AISKYEYE团队收集。基准数据集包括288个视频片段，由261908帧和10209幅静
RSE2021/云检测:基于小波变换和连续多尺度空间注意的上下块深度网络云检测
ssshyeong的博客
11-22 1582
我们提出了一种检测高分一号WFV图像中云像素的方法。该方法采用深度网络对多尺度全局特征进行学习，将特征学习过程中获得的高级语义信息与低级空间信息相结合，将图像划分为云区域和非云区域。此外，利用Haar小波变换设计Up和Down块，充分利用图像的结构信息，特别是云的纹理信息，可以有针对性地学习。我们关注图像的原始信息，以辅助网络的学习。此外，我们还利用暗通道先验，通过在网络中的多尺度特征图中添加注意机制，设计了一个连续多尺度空间注意模块，以提供持续的性能改进
目标检测算法——YOLOv7改进|增加小目标检测层
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-02 1万+
目标检测算法——YOLOv7改进|增加小目标检测层。官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS）。
目标检测方法综述
adsfdaskgjddd的博客
11-07 2362
千里之行,始于足下 只为记录一下自己的目标检测方面的笔记，纸质容易丢；同时，也是自己的第一篇博客，鬼知道应该怎么去写！努力吧，少年！！！ 目标检测方法综述笔记 在过去的20年时间里，人们普遍认为，目标检测的发展大致经历了两个历史时期，分别是2014年以前的传统的目标检测时期和2014年以后的基于深度学习的目标检测时期。 1 传统目标检测 早期的目标检测大多是基于手工构建的。由于当时缺乏有效的图像表示，人们别无选择，只能设计复杂的特征表示，以及各种加速技术来用尽有限的计算资源。传统目标类别检测则通过使用 Ad
目标检测（Object detection）基础
个人记录使用
11-28 1250
文章目录1. 目标定位2. 特征点检测3. 目标检测4. 滑动窗口的卷积实现5. Bounding Box预测6. 交并比7. 非极大值抑制8.Anchor Boxes9.YOLO算法10.候选区域 1. 目标定位 图片分类任务之前我们很熟悉了，本节学习定位分类问题。不仅仅要判断图片是不是一辆汽车，还要在图中标记其位置，后面还会讲多目标定位。 图片分类任务流程很熟悉，比如，输入一张图片到多层卷...
目标检测及锚框、IoU
Life And Code
10-27 624
我们要识别中所有我们感兴趣的物体，并且找出每个物体的位置。
目标检测入门知识
qq_45431015的博客
12-06 2355
目标检测入门知识，包括目标检测任务的描述与各种网络模型（R-CNN、Fast R-CNN、Faster R-CNN等）
目标检测中的先验框（Anchor）
个人学习笔记
12-10 1万+
什么是先验框？ 了解过目标检测算法的朋友们肯定知道先验框(Anchor)的概念，那么什么是先验框，为什么要有先验框？若要解释这个问题，首先我们需要了解边界框回归原理。 bounding box regression 如图所示，图中的狗子是我们要检测的目标，也即是红框(Ground Truth)圈住的物体。在通常情况下模型预测到的框是绿色框。但是由于绿色框不准，相当于没有正确的检测出狗子。所以我们希望有一个方法对绿色框进行调整，使得绿色框更接近红色框。 对于预测框我们一般使用（x,y,w,h）（x,y,w,
目标检测与图像分类的区别（概念）
sinat_41942180的博客
04-14 1191
图像分类：图像分类的任务是将输入的图像分为不同的类别，通常是预定义的类别集合。目标检测：目标检测的任务是在图像中识别和定位一个或多个不同对象，通常是在图像中的特定区域标出对象的边界框，并为每个对象分配一个类别标签。图像分类：图像分类通常用于确定整个图像的内容，例如识别猫、狗、汽车等，适用于图像检索、图像标记和图像分类任务。图像分类：相对来说，图像分类任务通常比目标检测任务更简单，因为它只需要确定图像中的主要对象。图像分类：输出结果是一个类别标签，指示图像中包含的主要对象属于哪个类别。
3.yolov5目标检测-常用评估指标
大李出奇迹的博客
05-02 1万+
yolov5官网的模型评估对比图 需要借助狼来了的故事了解：真阳性，假阳性，假阴性，真阴性。 IOU：交并比，用来筛选最终预测出来的边界框。 通过求标注和预测的交并比，可以得到一个预测准确度的指标。 GA、GB、GC是标注的内容，P1234是检测出的内容。 分别计算每次识别的IOU。 我们把P4作为了GB的最佳匹配框，所以P3就变成了假阳性。 计算recall的时候，有三个标注，所以分母就是3. 计算方式会选择向右拉直。 之后的比赛就开始用所有的点了。 计算的都是右上角的矩形
目标检测与图像分类任务的区别
lu_fresh_student的博客
10-02 1598
目标检测与图像分类任务的区别
LabelImg：目标检测标注工具的安装与使用指南
LabelImg是一个开源的图像标注工具，主要用于目标检测任务，特别适用于基于PASCALVOC和COCO数据集的标注工作。它采用Python编写，利用Qt构建用户友好的图形界面。这款软件的核心功能包括： 1. 安装：安装LabelImg...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

你的笑很夕阳

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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