2.目標框
目標檢測,這就好比我們的行李箱過安檢,安全員通過掃瞄的對行李箱內的物品進行檢查,什麼東西可以通過,什麼又不能通過,而這一前提是安全員知道什麼行李裡面**有什麼物品,它們又是否是安全和非安全物品,並在檢查中識別出來。
目標檢測是物品分類識別的進一步應用。物體分類的任務中,我們只需要對物品進行特徵提取,然後預判出該無物品是什麼類別的概率;目標檢測在這個基礎上必須知道該物體在影象中的位置並標記出來。
這就用到了分而治之的思想,將一張圖分解成很多張小的塊並投入net,對每一小的影象塊進行分類識別,並記錄物品的座標。分解是通過滑窗技術來說實現的,而影象塊的大小是乙個超引數,需要人為設計。以下圖做乙個說明:
如果標識的框太小的話,如藍色框,可能是能識別出車輪和上衣,框如果再加大一點,如綠色框,就能識別出騎自行車的人,但這時對於輪子的識別的準確性就會降低一些,因為框內的還包括其他的畫素資訊,這對輪子的識別有干擾。
目標框是對所要識別的物體進行的標記。標記的內容為類別,框的left top 和 ringt down 座標值xy。
格式1:類別,x左,y左,x右,y右
格式2:類別,x中心,y中心,w框寬,h框高
一張影象的目標框資料一般會被寫入乙個 *.xml 的檔案中
目標框的作用便是在訓練網路時使網路能夠優化使之接近目標引數,因為網路自己生成的框與目標框有差距,對於這種差距的度量工具常用的是 交並比——iou
用下圖來說明一下,綠色為目標框,淺藍色為**框,紅色區域為兩者的交集。交並比便是這兩個框的交集佔並集的比例,佔比越高說明**值越靠近目標值。
交並比怎麼求?已知的前提是目標框的top座標down座標和**的top座標down座標
交集的top座標 =
max(目標框的xtop座標,**的xtop座標)
,max
(目標框的ydown座標,**的ydown座標)
交集的down座標 =
min(目標框的xtop座標,**的xtop座標)
,min
(目標框的ydown座標,**的ydown座標)
由此可知交集區域的面積。s(並集) = s(目標框)+s(**框)-s(交集) ,交集為重疊區域
交並比 = s(交集) / s(並集)
資料:1.datawhale cv目標檢測
目標跟蹤初步了解
3個矩陣 狀態轉移矩陣f f x previous x,y,h,w,vx,vy,vh,vw x current x,y,h,w,vx,vy,vh,vw 在卡爾曼濾波模型中認為目標是勻速的 雜訊矩陣 測量矩陣 找出當前幀的某個目標,是否與前一幀的某個目標 而這個前一幀的目標並不是從前一幀取,而是用卡爾...
初步了解可重定位目標檔案
首先,我們先來了解一下什麼是可重定位目標檔案,如圖 我們看到,原始檔經過翻譯器處理後形成的 o 檔案 就是可重定位目標檔案。目標檔案總共有三種 共享目標檔案 可執行目標檔案 可重定位目標檔案。其中,可重定位目標檔案包含二進位制資料和 可以在編譯時和其它可重定位目標檔案合併起來,建立乙個可執行目標檔案...
目標檢測 目標檢測通用框架總結
目標檢測框架個人總結 以下是筆記中包含的內容 目標檢測網路框架總結 yolov4中有圖 從最開始的神經網路到現在深度更深,模組更多的目標檢測深度學習神經網路,如今大致可以分為two stage detector 典型的為rcnn系列 和 one stage detector 典型為yolo系列 每個...