深度学习（四）--目标分类

最新推荐文章于 2023-07-02 14:50:32 发布
最新推荐文章于 2023-07-02 14:50:32 发布
阅读量1.4k 收藏 2
点赞数
文章标签： 神经网络 机器学习 深度学习
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/qq_42007339/article/details/107071485
版权

目标分类

目标分类基本框架

  1. 数据准备
  • 数据来源
    • 现有数据集的子集；网络采集；现有数据人工标注
  • 数据扩充
    • 原始数据切割；草绳颜色等像素变化；旋转平移等姿态变化
  • 数据规范
    • 均值处理；归一化；大小调整

    2. 模型设计

  • 任务类型
    • 分类
    • 表情+程度
    • 多目标分类
  • 现有模型
    • 已有的方案能否/怎样借鉴
  • 局部更改-从头设计
    • 更改：哪里
    • 设计：新结构特点，为什么可行

    3. 训练细节

  • GPU-Batch size，是否并行
    • GPU内存-与batch size关系
  • 数据循环方式/平衡性考虑
    • 数量较少的类别，数据是否需要补偿
    • 从头到尾多次循环
    • 每次随机选取部分数据
  • 网络深度宽度确定
    • 深度与卷积核关系：第i层卷积核关注范围？
  • 损失函数设计
    • 分类
      • softmax直接拟合
    • 学习率变化方式，模型各层学习率是否一致
  • 评价方式：准确率、F1

迁移学习

  1. ImageNet参数上亿，数据量百万，是不是参数多的模型都需要大量数据
  • 如果数据很多就网络全部训练
  • 如果很少的话 就只训练FC
  • 如果一般大小的话就训练FC和一部分的卷积网络
  • 学习率的处理
    • 最低卷积层基本不变
    • 中间卷积层看情况
    • 最后全连接，结构参数均变化

    2. 基础模型选择

  • 是否已有特定任务的模型

研究分享：如何设计神经网络

面部识别

    1. 已有算法

  • 不同部分学习比较好，需要对准
  • 每个像素设计一个卷积核
  • 分成网格，每个网格设计一个卷积核，但是还需要对准，并且十分耗时
  • 不足
    • 预处理：
      • 大量对准，对于对准要求高，原始信息可能丢失
    • 卷积参数数量很大，模型收敛难度大，需要大量数据
    • 模型可扩展性差，基本限于人脸计算
  • 改进方法
    • 不需要预处理，自动进行局部探测
    • 不需要所有区域都处理，更多关注再有意义的区域
    • 重要的区域之间不会影响削弱学习效果

    2. 设计来源

  • 注意力网络
    • 热度图找出信息
    • 人脸关键点检测
    • 找到行为单元中心
    • 由中心生成注意力图
    • 注意力网络添加
      • 添加在哪里
      • 某个区域加强后加到激励中
      • 怎么添加
    • 卷积核还是一个
  • 局部学习网络
    • 针对不同区域进行针对学习，不同区域有不同的卷积核
    • 对区域的分布能够自适应：
      • 分割出不同的区域
      • 每个区域设计一个小卷积
      • 整合和AU Labels
  • 作用
    • 无需提前对面部对准就可以面部行为识别
    • 脸部各个行为单元局部针对学习，局部信息可以单独用于某个行为单元识别
    • 根据肌肉分布以及人脸特征点检测结果确定区域，具有合理性和可操作性
  • 总结
    • 如何设计神经网络
      • 明确研究问题
      • 已有解决方案特点，借鉴地方，不足
      • 突破点在哪里，还是重复就足够了
      • 想法再网络结构中实现
      • 训练结果反馈调整
加油学python
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深度学习-TensorRT模型部署实战2022
04-11
分享课程——《深度学习-TensorRT模型部署实战》，2022年4月新课，提供代码和课件下载！ 本课程划分为四部分： 第一部分精简CUDA-驱动API：学习CUDA驱动API的使用，错误处理方法，上下文管理方法，了解驱动API所处位置，CUDA的开发习惯。 第二部分精简CUDA-运行时API：学习CUDA运行时API的使用，力求精简，力求够用，学会编写核函数加速模型预处理（仿射变换），学习yolov5的后处理加速方法，共享内存的使用。 第三部分tensorRT基础：学习tensorRT的模型编译、推理流程，onnx解析器的使用，学习onnx的结构和编辑修改方法，学习int8量化，插件开发流程，简化的插件开发方法，学习动态shape的应用。 第四部分tensorRT高级：以项目驱动，学习大量具体的项目案例（分类器、目标检测、姿态检测、场景分割、道路分割、深度估计、车道线检测、huggingface、insightface、mmdetection、onnxruntime、openvino），学习针对深度学习需要的封装技术、多线程技术、框架设计技术。
深度学习（四）——目标分类
qq_43635468的博客
06-22 2771
目录目标分类基本框架数据准备模型设计迁移学习如何设计神经网络例：面部行为识别总结 目标分类基本框架 数据准备 1、数据来源 数据来源主要有现有数据集的子集、网络采集以及现有数据人工标注。 2、数据扩充 通过对原始数据进行处理得到更多的数据，主要方法有原始数据切割、噪声颜色等像素变化、旋转平移等姿态变化。 局部切割： 噪声颜色、旋转平移： 3、数据规范 数据规范包括均值处理、归一化以及大小调整等。 模型设计 1、任务类型 分类：表情、种类、人群······ 分类+回归：表情+程度、种类+信心、什么
目标跟踪算法的分类
07-22
目标跟踪算法的分类。一．运动目标检测 对于不依赖先验知识的目标跟踪来讲，运动检测是实现跟踪的第一步。运动检测即为从序列图像中将变化区域从背景图像中提取出来。运动目标检测的算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测
深度学习-TensorRT模型部署实战
04-08
给大家分享一套新课——深度学习-TensorRT模型部署实战，2022年4月新课，完整版视频教程下载，附代码、课件。 本课程划分为四部分： 第一部分精简CUDA-驱动API：学习CUDA驱动API的使用，错误处理方法，上下文管理方法，了解驱动API所处位置，CUDA的开发习惯。 第二部分精简CUDA-运行时API：学习CUDA运行时API的使用，力求精简，力求够用，学会编写核函数加速模型预处理（仿射变换），学习yolov5的后处理加速方法，共享内存的使用。 第三部分tensorRT基础：学习tensorRT的模型编译、推理流程，onnx解析器的使用，学习onnx的结构和编辑修改方法，学习int8量化，插件开发流程，简化的插件开发方法，学习动态shape的应用。 第四部分tensorRT高级：以项目驱动，学习大量具体的项目案例（分类器、目标检测、姿态检测、场景分割、道路分割、深度估计、车道线检测、huggingface、insightface、mmdetection、onnxruntime、openvino），学习针对深度学习需要的封装技术、多线程技术、框架设计技术。
第五讲-目标分类与识别
09-06
深度学习系列课程资料分享，第一讲 课外学习资料，第二讲，传统神经网络，其他部分请看我上传的资源列表.......
深度学习_目标分类_AlexNet详解
qq_42764492的博客
09-06 329
深度学习_目标分类_AlexNet详解AlexNet简介新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 AlexNet简介 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdo
人工智能与深度学习概念（3）——目标分类-CNN
qq_28810395的博客
07-17 5907
生物视觉原理 生物层面的视觉图像处理流程： 1、像素信号瞳孔摄入，视网膜感光细胞传导刺激反应 2、大脑皮层细胞处理，感知差异构成的边缘和方向 3、神经细胞处理，提炼形状颜色等特征 4、大脑进一步抽象，获得认知 5、与记忆进行匹配，得到判断 机器模拟生物识别，其处理流程为： 1、接受图像数据 2、获取图像特征 3、根据特征获得类别信息 4、输出目标类别 图像通道   模拟眼镜视网膜的感色原理，我们所观察的色彩都是RGB三原色组成，所以一个彩色图片便可有RGB三色的灰度图叠加而成，而每个灰度图片也是一
1. 深度学习之目标分类-卷积神经网络（5个经典模型）
FXGroup博客
09-16 1684
人工智能；机器学习；卷积神经网络
学习和学习目标分类
轩闻
09-22 2302
什么是学习呢？不同领域的人们有不同的定义。但是大致上是两类：一类如教育界通常所使用的关于学习的定义，把学习定义为是后天获得知识的过程，强调的是知识的获取。而另一类是一些哲学家和科学家通常所使用的，把学习定义为学习是使主体产生行为或行为潜能的相对恒久变化的过程。在同一领域里，也有同时使用上述两种定义的。我们认为，后一种定义不仅强调获取知识，而且强调人获取知识以后所引起的行为变化；同时，也没有把学习限...
深度学习——卷积神经网络（目标分类）03
Latterain的博客
06-26 506
文章目录目标分类1.数据准备2. 模型设计3. 训练细节迁移学习 目标分类 1.数据准备 数据来源： 现有数据集的子集；网络采集；人工标注 数据扩充： 原始数据切割；噪声颜色等像素变化；旋转平移等姿态变化 数据规范： 均值处理；归一化；大小调整 resize 图像效果算子 使更模糊（高斯卷积核），使更清楚（unsharp卷积核)，动作模糊（motion filter） 旋转平移 R, T 2. 模型设计 基于现有模型局部更改（借鉴已有模型） 类型： 分类：表情分类，人群分类 分类+回归：表情+程度，种类+
基于matlab使用深度学习的SAR目标分类
02-16
一、前言 此示例演示如何创建和训练一个简单的卷积神经网络，以使用深度学习对 SAR 目标进行分类。 深度学习是一种强大的技术，可用于训练健壮的分类器。它已经在从图像分析到自然语言处理的不同领域显示出其有效性。这些发展对SAR数据分析和SAR技术具有巨大的潜力，正在慢慢实现。SAR相关算法的一项主要任务一直是目标检测和分类，称为自动目标识别（ATR）。在这里，我们使用一个简单的卷积神经网络来使用深度学习工具箱对SAR目标进行训练和分类。 深度学习工具箱提供了一个框架，用于设计和实现具有算法、预训练模型和应用程序的深度神经网络。 此示例演示如何： • 下载数据集。 • 加载和分析图像数据。 • 数据的拆分和扩充。 • 定义网络体系结构。 • 训练网络。 • 预测新数据的标签并计算分类精度。 为了说明此工作流程，我们将使用空军研究实验室发布的移动和静止目标获取和识别 （MSTAR） 混合目标数据集 [1]。我们的目标是开发一个模型，根据SAR图像对地面目标进行分类。 二、下载数据集 此示例使用的 MSTAR 目标数据集包含来自 8688 个地面车辆的 7 个 SAR 图像和一个校准目标。
深度学习-目标分类-空气质量分类
06-02
深度学习-目标分类-空气质量分类 语言：python 目的：用于空气质量分类，可以作为学习参考。 内容包括：源码和数据集，部分带文章。超过十份源码。 带数据集很好运行，主页有搭建环境过程。主页有更多源码。 dataset描述readme文档，也可以和我要。 PS：本资源为网盘资源，资源包内容会不定期更新。不尽详言，有问题可回复评论。 深度学习是一种人工智能（AI）方法，用于教计算机以受人脑启发的方式处理数据。 深度学习模型可以识别图片、文本、声音和其他数据中的复杂模式，从而生成准确的见解和预测。 您可以使用深度学习方法自动执行通常需要人工智能完成的任务，例如描述图像或将声音文件转录为文本。
深度学习-目标分类-咖啡质量分类
06-02
深度学习-目标分类-咖啡质量分类 语言：python 目的：用于咖啡质量分类，可以作为学习参考。 内容包括：源码和数据集，部分带文章。超过十份源码。 带数据集很好运行，主页有搭建环境过程。主页有更多源码。 dataset描述readme文档，也可以和我要。 PS：本资源为网盘资源，资源包内容会不定期更新。不尽详言，有问题可回复评论。 深度学习是一种人工智能（AI）方法，用于教计算机以受人脑启发的方式处理数据。 深度学习模型可以识别图片、文本、声音和其他数据中的复杂模式，从而生成准确的见解和预测。 您可以使用深度学习方法自动执行通常需要人工智能完成的任务，例如描述图像或将声音文件转录为文本。
目标分类网络总结
12-10
总结了深度学习中的分类网络，从Le-net，Alex-net,Vgg,googlenet (inception v1,v2,v3), net in net, resnet50,SE net, mobile net, shuffle Net,还总结了相应的知识点。
基于智能优化算法的目标分类.rar
05-23
利用GA、PSO算法优化SVM参数，建立识别性能良好的分类器对雷达目标进行识别
三维深度学习中的目标分类与语义分割
科研学习笔记！
11-08 1155
(转载的文章，仅供学习，如有侵权请随时联系删帖) 在过去的几年中，基于RGB的深度学习已经在目标分类与语义分割方面取得了非常好的效果，也促进了很多技术的发展，深度学习在现实生活中的应用也越来越多。但是在很多实际应用中，例如自动驾驶中，只使用RGB信息是远远不够的，因为我们不仅仅想要知道周围有什么物体，还想要知道物体具体的三维信息（位置，运动状态等），因此，三维方面的深度学习也逐渐发展了起来并取得...
深度学习基础（五）卷积神经网络——目标分类
qq5024581的博客
10-15 295
目标分类基本框架 数据准备 数据的扩充：可以使图片更模糊，清楚或者动作模糊。 或者进行旋转平移这种变化。 模型设计 任务类型： 分类：表情分类，属于什么种类，人群分类 分类+回归：表情+程度，种类+信心，什么人+人数 多目标分类：面部行为，群体行为，车流预测 训练细节 迁移学习 如何设计神经网络 ...
CNN-目标分类
qq_34229228的博客
04-17 426
目标分类基本框架 数据准备 数据来源：文本、图片等数据集网站 数据扩充 数据规范 模型 训练
机器视觉初步11：目标分类
最新发布
KHASIX的博客
07-02 576
1. 基于机器学习https://img-blog.csdnimg.cn/6f7e93962f4747f9ba5bac985f76bbdd.png的目标分类方法 2. 基于深度学习的目标分类方法 3. 基于聚类的目标分类方法
基于深度学习的目标分类算法
03-30
基于深度学习的目标分类算法可以使用卷积神经网络（Convolutional Neural Network，CNN）来实现。CNN是一种专门用于处理图像和视频数据的神经网络，其主要特点是使用卷积层和池化层来提取图像的特征，然后通过全连接层来进行分类。 CNN的基本结构包括输入层、卷积层、池化层、全连接层和输出层。其中，卷积层用于提取图像的特征，池化层用于减少特征图的大小和计算量，全连接层用于将特征映射到目标分类的输出空间。 基于CNN的目标分类算法通常包括以下步骤： 1. 数据预处理：包括图像缩放、裁剪、旋转等操作，以及数据增强操作，如随机翻转、旋转、缩放等，以增加数据集的多样性。 2. 模型构建：根据实际需求选择合适的CNN模型，如LeNet、AlexNet、VGG、Inception等，根据数据集的大小和复杂度进行调整和优化。 3. 模型训练：使用训练集对模型进行训练，通过反向传播算法更新模型参数，以减小分类误差。 4. 模型评估：使用测试集对训练好的模型进行评估，计算分类准确率、召回率、精确度等指标，以评估模型的性能。 5. 模型应用：将训练好的模型应用于新的图像数据，进行目标分类预测。 基于深度学习的目标分类算法在图像识别、人脸识别、车辆识别、产品识别等领域有广泛的应用。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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