目标检测是计算机视觉和模式识别的重要研究方向,主要是确定图像中是否有感兴趣的目标存在,并对其进行探测和精确定位。传统的目标检测流程采用滑动窗口进行区域选择,然后采用 SIFT、HOG 等方法进行特征提取,最后采用 SVM、Adaboost 进行类别判断。但是传统的目标检测方法面临的主要问题有:特征提取鲁棒性差,不能反应光照变化、背景多样等情况;区域选择没有针对性,时间复杂度高,窗口冗余。基于深度学习的目标检测模型有 Faster RCNN,Yolo 和 Yolo2,SSD 等,对图片中的物体进行目标检测的应用示例如下所示:
从上图中可以看出,目标检测主要指检测一张图像中有什么目标,并使用方框表示出来;而实体分割要标出每个像素所属的类别。下图的实体分割,不仅把每个物体的方框标注出来,并且把每个方框中像素所属的类别也标记出来。下图中每个方框中包含的信息有目标所属类别,置信概率以及方框中每个像素的类别。
Kai
Mask_RCNN分割测试
最新推荐文章于 2024-07-28 08:41:41 发布
本文介绍了目标检测的重要性,传统方法的局限性,以及基于深度学习的Mask RCNN模型,该模型在COCO挑战赛中夺冠。文章详细阐述了Mask RCNN的结构和应用,包括环境配置、预训练模型使用、数据集的labelme工具标注,以及转换和训练过程。
摘要由CSDN通过智能技术生成