识别检测类系统（基于pytorch）（二）

最新推荐文章于 2023-06-28 11:52:45 发布

明哲慕鸿

最新推荐文章于 2023-06-28 11:52:45 发布

阅读量570

点赞数

分类专栏： Pytorch python 文章标签：计算机视觉人工智能

本文链接：https://blog.csdn.net/qq_41100991/article/details/106438173

版权

本文探讨了如何使用机器学习和深度学习方法提取火焰检测中的可疑区域。机器学习通过分类器和聚类算法构建颜色模型，而深度学习则利用区域生成网络和语义分割技术，如Faster R-CNN和U-Net进行候选区域提取。然而，这种方法在未见过的场景中可能产生干扰项，影响识别效率。

摘要由CSDN通过智能技术生成

概要

上一章说到了通过识别目标的特征来设计相应的规则来提取识别目标的可疑区域，并通过火焰识别的列子进行了详细的说明，本章节主要说明如何通过机器学习与深度学习的方法进行可疑区域的提取。

机器学习的提取方法

火焰的颜色特征可以通过机器学习分类器如K-NN、朴素贝叶斯等通过训练相应的火焰颜色样本集构建火焰颜色模型，然后通过训练好的颜色模型提取出火焰候选区域。除此以外，机器学习的聚类算法也可以应用在构建火焰颜色模型上，通过火焰像素点在空间的分布得到该类的空间范围，通过判断像素点是否在该空间范围来判断是否为火焰像素点。但是火焰的颜色空间跨度很大，难免会与其他物体的颜色存在重合，比如夜晚的路灯、黄昏的太阳等，这些物体总有部分满足火焰的颜色模型
在这里插入图片描述
上图是火焰像素点的三维分布图，通过这些火焰像素样本训练高斯混合模型找到其高斯分量的中心，再将以该中心画圆，圆的半径为样本的标准差

神经网络的提取方法

神经网络检测火焰候选区域主要有两种方法：区域生成网络和语义分割。
（1）区域生成网络
最具代表的区域生成网络便是Faster Region-CNN（Faster R-CNN）中的Region Proposal Network （RPN）模块。在Faster R-CNN中，原始图片通过公共的卷积神经网络会生成维度为（256，H，W）的特征图，该特征图的每个点都对应原始图像中的一块区域。RPN就是将这些区域设为