行人目标分割

已于 2023-10-27 15:52:32 修改
阅读量97 收藏
点赞数
文章标签： 深度学习
于 2023-10-27 15:51:28 首次发布
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/mrdongcy/article/details/134077469
版权

分割模型

分割类别只有person，假设输入为3x512x512

1、BackBone

首先对输入下采样两次得到BSx3x128x128，作为主干网络HrNet18的输入，下采样3次，共四个分支，特征图大小分别为[128x128, 64x64, 32x32, 16x16]，通道维度分别为[18, 36, 72, 144]：
在这里插入图片描述

2、Head

将下采样的三个分支上采样：双线性差值，和高分辨率的第一个分支在channel维度拼接，共270维，拼接后的输出为BSx270x128x128，然后使用卷积nn.Conv2d(270, 2)将通道数270变为类别数2，最后对特征图上采样到原图的尺寸512x512；

3、Loss

损失为交叉熵或者DiceLoss
交叉熵：先使用softmax将特征值变为概率分布的形式，然后通过y*logp计算交叉熵损失；
DiceLoss：其实就是F1Score: 2PR/(P+R)；

4、Accuracy

对于输出BSx2x512x512，使用torch.topk(BSx2x512x512, k=1, dim=1返回最大值(BSx512x512)和对应的索引(BSx512x512)，其中索引为0代表第一个特征图的值更大，该像素为背景，索引为1代表第二个特征图的值更大，该像素为前景；
使用索引和GT计算Accuracy；

mrdongcy
关注
浅入浅出TensorFlow 8 - 行人分割
跟随技术的脚步-linolzhang的专栏
04-20 9601
一. 环境准备        本文介绍如何通过 Mask-RCNN 来实现行人检测，假设你已经对 SSD、YOLO、Faster RCNN 等框架有所了解。 1. 准备 TensorFlow 环境      Tensorflow (>= 1.0.0)      Numpy 2. Gtihub 代码      代码下载：【Github】 3. 下载CoCo数据      下载地址
如何用TensorFlow和TF-Slim实现图像分类与分割
CSDN 人工智能
11-28 6325
原文： Image Classification and Segmentation with Tensorflow and TF-Slim 作者： Daniil Pakhomov 译者： KK4SBB 审校：王艺 欢迎技术投稿、约稿、给文章纠错，请发送邮件至heyc@csdn.net 本文将介绍如何用近日发布的TF-Slim工具包和预训练的模型来完成图像分类和图像分...
行人分割DPM
10-02
行人分割效果很棒，亲测非常有效，是Matlab版本~
人脸识别、行人ReID图像分割
05-27
Human parsing has been extensively studied recently (Yamaguchi et al. 2012; Xia et al. 2017) due to its wide applications in many important scenarios. Mainstream fashion parsing models (i.e., parsers) focus on parsing the high-resolution and clean images. However, directly applying the parsers trained on benchmarks of high-quality samples to a particular application scenario in the wild, e.g., a canteen, airport or workplace, often gives non-satisfactory performance due to domain shift. In this paper, we explore a new and challenging cross-domain human parsing problem: taking the benchmark dataset with extensive pixel-wise labeling as the source domain, how to obtain a satisfactory parser on a new target domain without requiring any additional manual labeling? To this end, we propose a novel and efficient crossdomain human parsing model to bridge the cross-domain differences in terms of visual appearance and environment conditions and fully exploit commonalities across domains. Our proposed model explicitly learns a feature compensation network, which is specialized for mitigating the cross-domain differences. A discriminative feature adversarial network is introduced to supervise the feature compensation to effectively reduces the discrepancy between feature distributions of two domains. Besides, our proposed model also introduces a structured label adversarial network to guide the parsing results of the target domain to follow the high-order relationships of the structured labels shared across domains. The proposed framework is end-to-end trainable, practical and scalable in real applications. Extensive experiments are conducted where LIP dataset is the source domain and 4 different datasets including surveillance videos, movies and runway shows without any annotations, are evaluated as target domains. The results consistently confirm data efficiency and performance advantages of the proposed method for the challenging cross-domain human parsing problem. Abstract—This paper presents a robust Joint Discriminative appearance model based Tracking method using online random forests and mid-level feature (superpixels). To achieve superpixel- wise discriminative ability, we propose a joint appearance model that consists of two random forest based models, i.e., the Background-Target discriminative Model (BTM) and Distractor- Target discriminative Model (DTM). More specifically, the BTM effectively learns discriminative information between the target object and background. In contrast, the DTM is used to suppress distracting superpixels which significantly improves the tracker’s robustness and alleviates the drifting problem. A novel online random forest regression algorithm is proposed to build the two models. The BTM and DTM are linearly combined into a joint model to compute a confidence map. Tracking results are estimated using the confidence map, where the position and scale of the target are estimated orderly. Furthermore, we design a model updating strategy to adapt the appearance changes over time by discarding degraded trees of the BTM and DTM and initializing new trees as replacements. We test the proposed tracking method on two large tracking benchmarks, the CVPR2013 tracking benchmark and VOT2014 tracking challenge. Experimental results show that the tracker runs at real-time speed and achieves favorable tracking performance compared with the state-of-the-art methods. The results also sug- gest that the DTM improves tracking performance significantly and plays an important role in robust tracking.
行人再识别 —前景背景分割(FCN+MMAN的方法)
weixin_43462984的博客
07-13 2988
研究生毕设是关于行人再识别的项目 目前在行人再识别方面做的工作之一就是行人的分割。使用的方法是FCN＋MMAN的方法。MMAN是一种行人分析的方法，至于为什么使用MMAN，是因为和后面的一些工作有关。 其中，MMAN在高分辨率的行人分割的效果比较好，而低分辨率的行人分割的非常差，所以就用了FCN的分割方法，然后分割的效果很好。下面是效果图： ![在这里插入图片描述](https:...
图像万物分割——Segment Anything算法解析与模型推理
最新发布
知来者逆的博客
12-05 4018
这个模型(SAM)训练完成之后，以使其具备"promptable"（可提示）的性质，因此意味着它可以零样本（zero-shot）地适应新的数据集和任务，而无需先对数据进行标注和训练。作者对该模型进行了广泛的评估，发现它在许多任务上的零样本表现通常与完全监督的性能相媲美，甚至更好。
阈值分割_背景分割目标_目标分割_阈值分割_目标背景去除_去除背景_
10-01
背景分割目标是先去除静态背景，只保留移动的目标，而目标分割则进一步细化，精确地分割出目标物体的轮廓。 目标背景去除和去除背景是同一概念的不同表述，它们指的是通过阈值分割技术将目标对象从背景中分离出来。...
LBF.rar_图像分割_图像自动分割_灰度图像分割_目标分割_自动分割图像
09-23
**目标分割**是指在图像中识别并分离出特定感兴趣的目标，如行人、车辆等。这通常需要对目标有先验知识，或者利用监督学习训练模型来识别和定位目标。在本压缩包中的"Demo_RSF.m"和"RSF.m"文件可能包含了一种名为RSF...
OpenCV上目标跟踪和行人跟踪需要的视频
12-05
在OpenCV库中，目标跟踪和行人跟踪是计算机视觉领域中的关键应用，广泛用于安全监控、自动驾驶、无人机导航等场景。这些技术使计算机能够自动识别并持续追踪选定对象，即使对象在帧间移动或被遮挡。下面我们将深入...
使用Python+OpenCV+yolov5实现行人目标检测.docx
04-17
"使用Python+OpenCV+yolov5实现行人目标检测" 本文介绍了使用Python、OpenCV和yolov5实现行人目标检测的方法。目标检测是一种计算机视觉技术，允许我们识别和定位图像或视频中的物体。目标检测可以理解为两部分，...
自动生成目标检测和实例分割数据
04-11
实例分割则更进一步，它不仅能够识别出目标，还能区分同一类别的不同个体，如区分图像中的多个行人。Mask R-CNN是实例分割的代表算法。 在生成目标检测和实例分割的训练数据时，通常需要标注工具来人工标记图像中的...
行人检索 Partial Person Re-identification ICCV2015
cv_family_z的博客
11-17 3926
行人检索问题是一个很难得问题，而局部行人检索问题则更加的困难。目前大部分文献都关注整体行人检索，没有考虑遮挡问题。局部行人检索问题如下图所示： 下图所示为我们实际中的检索图像，以及我们手工框出来的输入图像，及对应的库中的图像。 针对局部行人检索问题，我们提出以下框架来解决： 首先是局部对局部进行匹配，然后再进行整体对局部进行匹配。3.1. Local-to-Local Matching
云从科技资深算法研究员：详解跨镜追踪(ReID)技术实现及难点 | 公开课笔记
CSDN人工智能头条
06-27 1万+
作者 | 袁余锋编辑 | 明 明出品 | 人工智能头条（公众号ID：AI_Thinker）【导读】跨镜追踪（Person Re-Identification，简称 ReI...
HOG+SVM实现行人检测（一） 图像切割
韩江雪de 小屋
04-11 1379
1，切割正、负样本图像，并把图片名存为txt #include <iostream> #include <iostream> #include <fstream> #include <stdlib.h> //srand()和rand()函数 #include <time.h> //time()函数 #include <openc...
图像分割与FCN
跟随技术的脚步-linolzhang的专栏
05-11 2万+
一. 图像语义分割        传统的图像分割方法主要包括以下几种： 1）基于边缘检测 2）基于阈值分割       比如直方图，颜色，灰度等 3）水平集方法         这里我们要说的是语义分割，什么是语义分割呢？先来看张图：                 将目标按照其分类进行像素级的区分，比如区分上图的 摩托车 和 骑手，这就是语义分割，语义分割赋予了场景理
[人体图像相关技术] -（二）行人检测数据集 - 介绍（含人像分割数据集）
iamfishman
09-11 1万+
我公司的科室开始在公众号上规划一些对外的技术文章了，包括实战项目、模型优化、端侧部署和一些深度学习任务基础知识，而我负责人体图象相关技术这一系列文章。 文章在同步发布至公众号和博客，顺带做一波宣传。有兴趣的还可以扫码加入我们的群。 （文章有写的不好的地方请见谅，另外有啥错误的地方也请大家帮忙指出。） 微信公众号：AI炼丹术 技术交流群可以从公众号上获取，可以备注是咸鱼的博客上来的。???? 行人检测数据集 - 介绍 一、目标检测 - 行人数据集 1. INRIA Person Dataset 静态行人数据
基于非参数核密度估计的行人分割
xieyi4650的博客
06-01 1834
这是模式识别的一个实验，参考文献是： [1] L. Zhao, L.S. Davis, “Iterative figure-ground discrimination,” 17th International Conference on Pattern Recognition (ICPR), vol. 1, pp. 67-70, 2004. [2] Automatic Pedestri
目标检测-RCNN系列
热门推荐
跟随技术的脚步-linolzhang的专栏
01-11 7万+
•   RCNN        RCNN（Regions with CNN features）是将CNN方法应用到目标检测问题上的一个里程碑，由年轻有为的RBG大神提出，借助CNN良好的特征提取和分类性能，通过RegionProposal方法实现目标检测问题的转化。        算法可以分为四步：        1）候选区域选择        Region Proposal是一类传统的区域提取方
多光谱（RGB-T）行人检测、语义分割研究汇总
zz937211040的博客
03-26 5453
当前的研究目标转向多光谱（RGB-T）语义分割和行人检测任务，我将对近些年使用深度学习算法设计的模型进行详细分析。以下为截止到2020年初已公开发表的论文目录。这两个领域的相关论文很少，主要原因还是数据获取和对齐的难度较大以及有效的多模态融合算法设计难度较大，两种模态间的信息差异性较大，因此使用简单融合方法的效果比较差。多光谱语义分割和行人检测都是目前只有两个数据集，之后会在论文详解中进行介绍。 ...
评论 1
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
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