首页 文章 精选 留言 我的

精选列表

搜索[开放平台],共10000篇文章
优秀的个人博客,低调大师

开放下载!从RCNN到SSD,这应该是最全的一份目标检测算法盘点

导读:从简单的图像分类到3D姿势识别,计算机视觉从来不缺乏有趣的问题和挑战。通过肉眼我们可以检测出一张宠物照中的猫和狗,可以识别出梵高作品《星夜》中的星星和月亮,那如何通过算法赋予机器“看”的智能,就是我们接下来要讲的。 本文首先会介绍目标检测的概念,然后介绍一种简化了的目标检测问题——定位 + 分类以及它存在的问题,最后由浅入深逐步进入到目标检测常用的模型及方法,如 Faster R-CNN、SSD 等。这个过程中 会涉及很多细节的概念和知识点,具体的技术讲解请下载下方电子书详阅。 戳此处立即下载电子书 书中精彩干货集合 **1、目标检测常用的模型及方法1.1R-CNN**学者们在这个方向做了很多研究,比较有名的是 selective search 方法,具体方法这里不做详细说明,感兴趣的读者可以看关于 selective search 的论文。大家只要知道这是一种从图片中选出潜在物体候选框(Regions of Interest,ROI)的方 法即可。有了获取 ROI 的方法,接下来就可以通过分类和合并的方法来获取最终的 目标检测结果。基于这个思路有了下面的 R-CNN 方法。 选出潜在目标候选框(ROI) 训练一个好的特征提取器 训练最终的分类器 为每个类训练一个回归模型,用来微调 ROI 与真实矩形框位置和大小的偏差 1.2Fast R-CNN 针对 R-CNN 的 3 个主要问题,我们思考一下是否有更好的解决方案。首先是速度,2000 个 ROI 的 CNN 特征提取占用了大量的时间,是否可以用更好的方法,比如共享卷积层来同时处理所有 2000 个 ROI ? 其次是 CNN 的特征不会因 SVM 和回归的调整而更新。 R-CNN 的操作流程比较复杂,能否有更好的方式使得训练过程成为端到端的? 接下来我们将介绍 Firshick 等人于 2015 年提出的 Fast R-CNN[2],它非常巧 妙地解决了 R-CNN 主要的几个问题。 1.3 Faster R-CNN Faster R-CNN[3] 作为目标检测的经典方法在现今很多实战项目和比赛中频频出现。其实,Faster R-CNN 就是在 Fast R-CNN 的基础上构建一个小的网络,直接产生 region proposal 来代替通过其他方法(如 selective search)得到 ROI。这 个小型的网络被称为区域预测网络(Region Proposal Network,RPN)。Faster R-CNN 的训练流程其中的 RPN 是关键,其余流程基本和 Fast R-CNN一致。 接下来我们看下 Faster R-CNN 的训练过程: 使用 ImageNet 预训练好的模型训练一个 RPN 网络。 使用 ImageNet 预训练好的模型,以及第(1)步里产生的建议区域训练 Fast R-CNN 网络,得到物体实际类别以及微调的矩形框位置。 使用(2)中的网络初始化 RPN,固定前面卷积层,只有调整 RPN 层的参数。 固定前面的卷积层,只训练并调整 Fast R-CNN 的 FC 层。 1.4YOLO由于在 R-CNN 的系列算法中都需要首先获取大量 proposal,但 proposal 之 间有很大的重叠,会带来很多重复的工作。YOLO[5] 一改基于 proposal 的预测思路, 将输入图片划分成 S*S 个小格子,在每个小格子中做预测,最终将结果合并。 接下来我们看一下 YOLO 学习的关键步骤: YOLO 对于网络输入图片的尺寸有要求,首先需要将图片缩放到指定尺寸 (448448),再将图片划分成 SS 的小格。 每个小格里面做这几个预测:该小格是否包含物体、包含物体对应的矩形框 位置以及该小格对应 C 个类别的分数是多少。 1.5 SSD SSD[4] 同时借鉴了 YOLO 网格的思想和 Faster R-CNN 的 anchor 机制,使 得 SSD 可以快速进行预测的同时又可以相对准确地获取目标的位置。接下来介绍SSD 的一些特点: 使用多尺度特征层进行检测。在 Faster Rcnn 的 RPN 中,anchor 是在主干 网络的最后一个特征层上生成的,而在 SSD 中,anchor 不仅仅在最后一个 特征层上产生,在几个高层特征层处同时也在产生 anchor。 SSD 中所有特征层产生的 anchor 都将经过正负样本的筛选后直接进行分类分数以及 bbox 位置的学习。 2、目标检测的产业应用实践前面具体讲解了目标检测的技术应用,技术如何和产业相结合,发挥出最大的价值,也是我们最为关注的。 在经济稳预期的形势下,国内制造业企业正在加快转型升级的步伐。阿里作为一家有情怀和使命感的科技公司,我们希望通过技术手段来帮助传统企业实现转型升级。 在光伏行业,质检环节长期面临专业度高、招工难、人力不足等问题。工业自动化水平较高的德国曾推出过组件 EL 质检技术,但只针对典型缺陷,仅能做到辅助人工(无法替代人工)。在国内,光伏企业在智能 AI 识别技术领域做了近 10 年的尝试,但多晶电池和组件的自动质检远未达到工业生产水平。 本文将重点介绍阿里推出的单晶、多晶组件 EL 质检功能,目前已在产线运行且精度稳定在 95% 以上。AI检测在工业视觉“降本增效”领域上已经有了非常明显的优势。阿里云未来将与更多的企业联合,书写智能制造新篇章。

优秀的个人博客,低调大师

赠票|科技开放三年,蚂蚁金服将在ATEC科技大会上交出怎样的答卷

小蚂蚁说: 1999年9月,一个名为“72小时网络生存测试”的实验在北京举行,4名志愿者走进了北京的保利大厦,他们分别被关进单独的房间,没有吃的,没有饮用水,也没有被褥,只有一台连接网络的电脑,还有1500元的现金和电子货币。结果是他们在网上几乎找不到几家店,整日只能喝豆浆吃油条,几乎无法生存。 而近20年后今天的现状却是,在北京,在杭州,离开网络,你便无法正常生活。 在当年,如果你听到一个人跟你聊互联网,聊计算机,说20年后的一天你可以不带纸币就可以生活,你一定会认为这是天方夜谭,可有的人却意识到了这会是未来。 前言 二十年前,看到未来的人将它变成了今天的现实;二十年后,旧的故事还在继续,新的故事已经开始上演。蚂蚁金服将在本月的云栖大会ATEC上带你去看金融科技的未来。 蚂蚁金服ATEC在云栖大会 2017年10月,以“飞天.智能”为主题的云

优秀的个人博客,低调大师

架起线上线下存储桥梁,云存储网关开放性能型文件网关及块网关公测

为助力企业实现线下本地存储及云上存储空间的无缝连接,阿里云在去年6月推出云存储网关产品,以阿里云上的OSS作为后端存储,可在企业的内部IT环境和基于云的存储基础设施之间提供无缝、安全的集成。 云存储网关不仅支持行业标准的存储协议,并且可以通过在本地缓存经常访问的数据来提供低延迟高性能, 让企业或个人安全地将数据存储在阿里云OSS中。云存储网关既支持本地数据中心部署,又支持云端ECS部署,用户无需编写一行代码,简单配置就能立即使用,同时享受本地磁盘的读写体验和云上海量空间。 云存储网关核心功能 三大网关并驾齐驱,架起线上线下存储桥梁: 目前云存储网关提供包括“普通型文件网关”、“性能型文件网关”、“块网关”的三种功能形态,三种形态有的放矢,分别针对入门级用户、高性能和高兼容性要求用户以及希望使用块存储协议模式访问云端存储的用户。最新发布的“

资源下载

更多资源
腾讯云软件源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题,腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构,目前腾讯云软件源站支持公网访问和内网访问。

Rocky Linux

Rocky Linux

Rocky Linux(中文名:洛基)是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版,作为CentOS稳定版停止维护后与RHEL(Red Hat Enterprise Linux)完全兼容的开源替代方案,由社区拥有并管理,支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性,采用模块化包装和SELinux安全架构,默认包含GNOME桌面环境及XFS文件系统,支持十年生命周期更新。

Sublime Text

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能,例如代码缩略图,Python的插件,代码段等。还可自定义键绑定,菜单和工具栏。Sublime Text 的主要功能包括:拼写检查,书签,完整的 Python API , Goto 功能,即时项目切换,多选择,多窗口等等。Sublime Text 是一个跨平台的编辑器,同时支持Windows、Linux、Mac OS X等操作系统。

WebStorm

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源,继承了IntelliJ IDEA强大的JS部分的功能。

用户登录
用户注册