深度学习
文章平均质量分 80
神经网络
Sanse_
这个作者很懒,什么都没留下…
展开
-
superglue特征点匹配结果可视化自定义编写
检视特征点匹配最直观的是显示出图像上点匹配结果的连线。对于比较通用的sift算法等,opencv提供了工具函数cv.drawMatches来实现该结果。但是当使用特征点匹配算法superglue时,输出的匹配结果数据形式与该函数接口对应不上,不同通过这个来实现。分析发现superglue的输出数据比较有特点,所以直接编写了可视化保存代码,具体实现如下。因为用的灰度图,所以显示黑白的。原创 2023-04-04 14:48:16 · 846 阅读 · 1 评论 -
CADP——监控视角下的交通事故数据集介绍
解决道路交通安全自动时空注释研究缺乏公开数据的问题。原创 2023-05-05 11:20:41 · 2816 阅读 · 10 评论 -
目标检测图像数据集制作的心得总结
你指出的两种情况的数据集,可能各有你说优点,例如“图片少但物体多的数据集,可能可以减少正负样本不平衡”,但是深度学习的目的是为了找寻casual factor,从而得出正确的结果,我个人浅见,觉得你关于“再喂几亿张没有狗的图片训练”其实没啥意义。5、重叠规则:当两个目标物体有重叠的时候,只要不是遮挡超过一半的就可以框的(遮挡范围需要根据算法识别情况制定),允许两个框有重叠的部分。1)采集的数据集尽量保证你要做的目标检测不同类之间样本平衡,就是各个目标检测的类在你的数据中出现的次数差不多;转载 2023-06-19 15:11:15 · 1924 阅读 · 8 评论 -
深度学习中,进行目标检测时降低误检率的可能方向汇总
一旦出现误报,用户就会点下这个按钮,然后这个按钮的bbox就被当成一个template,把他的feature保存下来,接下来3分钟内如果还有要报的bbox,拿2个feature做similarity,如果很similar,就直接ignore不报警。如果总是对某种类型的目标误检,可以增加一些相应的样本到训练集中去,提高模型的分辨能力,可以在不降低召回的情况下降低误检。正样本的数量远远小于负样本,这样训练出来的分类器的效果总是有限的,会出现许多false positive。原创 2023-06-30 17:03:48 · 2510 阅读 · 2 评论