理解物体检测中的Objectness
本文转自AI公园。
作者:Nathan Zhao
编译:ronghuaiyang
导读
在本文中,我们将讨论目标检测模型和Objectness的基础知识。
什么是物体检测模型?
物体检测模型本质上,正如其名称所示,检测物体。这意味着给定一个图像,它可以告诉你物体在哪里,以及这个物体是什么。例如,在上面的图像中,我们有许多物体,并且使用物体检测模型,我们已经检测出不同的物体在图像中的位置。
这类模型有很多应用。举几个例子,物体检测在以下方面很有用:
自动驾驶汽车,可以检测到乘客、其他车辆、红绿灯和停车标志。
安保,模型可以探测到公共区域的枪支或炸弹,并向附近的警察报警。
总的来说,这类模型非常有用,在过去几年里,机器学习社区已经对它们进行了大量的研究。
物体检测中区域建议的介绍
首先,让我们了解一下物体检测模型是如何工作的。首先,我们必须给出一个物体的建议位置。我们把这个建议的位置称为我们感兴趣的区域,通常显示在一个边界框(也称为图像窗口)中。根据物体检测模型的类型,我们可以通过许多不同的方式来实现这一点。
朴素方法:我们将图像分割成多个部分,并对每个部分进行分类。这种方法效率低下是因为必须对每个生成的窗口应用分类网络(CNN),导致计算时间长。
滑动窗口方法:我们预先确定好窗口比例(或“锚”),然后滑过图像。对于每个窗口,我们处理它并继续滑动。与朴素方法类似,这种方法生成的窗口较多,处理时间也比较长。
选择性搜索:使用颜色相似度,纹理相似度,和一些其他的图像细节,我们可以用算法将图像分割成区域。虽然选择性搜索算法本身是耗时的,但这使得分类网络的应用需求较少。
区域建议网络:我们创建一个单独的网络来确定图像中感兴趣的区域。这使得我们的模型工作得更快,但也使得我们最终模型的准确性依赖于多个网络。
上面列出的这些不同选项之间有一些区别,但一般来说,当我们加快网络的处理时间时,我们往往会牺牲模型的准确性。
区域建议机制的主要问题是,如果建议的区域不包含物体,那么你的分类网络也会去分类这个区域,并给出一个错误的标记。
那么,什么是Objectness?
Objectness本质上是物体存在于感兴趣区域内的概率的度量。如果我们Objectness很高,这意味着图像窗口可能包含一个物体。这允许我们快速地删除不包含任何物体的图像窗口。
如果一幅图像具有较高的Objectness,我们期望它具有:
在整个图像中具有唯一性
物体周围有严格的边界
与周围环境的外观不同
例如,在上面的图像中,我们期望红色框具有较低的Objectness,蓝色框具有中等的Objectness,绿色框具有较高的Objectness。这是因为绿色的框“紧密”地围绕着我们的物体,而蓝色的框则很松散,而红色的框根本不包含任何物体。
我们如何度量Objectness?
有大量的参数影响图像窗口的objectness。
多尺度显著性:这本质上是对图像窗口的外观独特性的度量。与整个图像相比,框中唯一性像素的密度越高,该值就越高。
颜色对比度:框内像素与建议图像窗口周围区域的颜色对比度越大,该值越大。
边缘密度:我们定义边缘为物体的边界,这个值是图像窗口边界附近的边缘的度量值。一个有趣的算法可以找到这些边缘:https://cv-tricks.com/opencv-dnn/edge-detection-hed/。
超像素跨越:我们定义超像素是几乎相同颜色的像素团。如果该值很高,则框内的所有超像素只包含在其边界内。
超像素区域以不同颜色显示。请注意,框内的超像素大部分不会泄漏到图像窗口之外。因此,这个“超素跨界”值将会很高。
以上参数值越高,objectness越高。试着将上述参数与我们前面列出的具有高objectness的图像的期望联系起来。
—END—
英文原文:https://medium.com/@zhao.nathan/understanding-objectness-in-object-detection-models-5d8c9d032488
END
备注:目标检测
目标检测交流群
2D、3D目标检测等最新资讯,若已为CV君其他账号好友请直接私信。
我爱计算机视觉
微信号:aicvml
QQ群:805388940
微博知乎:@我爱计算机视觉
投稿:amos@52cv.net
网站:www.52cv.net
在看,让更多人看到
理解物体检测中的Objectness相关推荐
- 物体检测中的Objectness是什么?
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 本文转自AI公园 作者:Nathan Zhao 编译:ronghu ...
- 清华优博论文丨物体检测中的特征构建与模型优化
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 摘 要:本文针对物体检测中的环境变化多样.物体尺度变化不一.搜索空 ...
- 物体检测中的评价指标【文末赠书】
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 对于一个检测器,我们需要制定一定的规则来评价其好坏,从而选择需要的检测器.对于图像分类任务来讲,由于其 ...
- OpenImage冠军方案:在物体检测中为分类和回归任务使用各自独立的特征图
点击上方"深度学习技术前沿",关注公众号,选择加"星标"或"置顶" 导读 这篇文章来自商汤科技,是OpenImage竞赛的冠军方案,本文对物 ...
- 【论文解读】Confluence:物体检测中不依赖IoU的NMS替代算法论文解析
导读 基于IoU的NMS实际上是一种贪心算法,这种方法得到的结果往往不是最优的,Confluence给出了另一种选择. 论文地址:https://arxiv.org/abs/2012.00257 摘要 ...
- 【CV】PAA论文解读:在物体检测中利用概率分布来将anchor分配为正负样本
本文转自|AI公园 导读 又一篇anchor匹配策略的文章,不过确实是简单有效,在ATSS上只需要很小的修改就可以提升性能.GFL2在框的预测上用上了概率分布,这里又在anchor匹配上用上了概率分布 ...
- 计算机视觉物体检测中面对的挑战
点上方计算机视觉联盟获取更多干货 仅作学术分享,不代表本公众号立场,侵权联系删除 转载于:作者:Exposit 编译:ronghuaiyang | AI公园 AI博士笔记系列推荐 周志华<机 ...
- 【深度学习】解决物体检测中的小目标问题
为了提高模型在小物体上的性能,我们建议使用以下技术: 提高图像捕获分辨率 提高模型的输入分辨率 平铺图像 通过扩充生成更多数据 自动学习模型锚 过滤掉多余的类 为什么小目标问题很难? 小物体问题困扰着 ...
- 物体检测中的小物体问题
检测小物体是计算机视觉中最具挑战性和重要的问题之一.在这篇文章中,我们将讨论通过迭代数百种小物体检测模型在Roboflow上开发的一些策略. 无人机在公共空中海上数据集中从上方看到的小物体 为了提高模 ...
最新文章
- SpringMVC+RestFul详细示例实战教程
- UML 中各种图形重要性的排行
- GitHub上13个学习资源项目,值得收藏!
- jQuery.Form.js 异步提交表单使用总结
- 【华为云技术分享】传统OCR识别综述
- 升级linux 4.9内核,Linux 内核 4.8 将不再更新 建议迁往 4.9 稳定版
- 零基础带你学习MySQL—Delete语句以及注意事项(九)
- 常用数字集成电路引脚图
- 桌面图标不见了怎么办?
- matlab圆孔孔壁应力集中,平板中心圆孔边应力集中的有限元分析
- 苹果app开发流程详解
- 《数据库原理》实验报告DB3——数据完整性与安全性控制
- Java回炉之排序算法
- Linux_Wget
- 【Unity3d日常开发】Unity3D中实现热力图、风向图、温度图效果
- nagios监控安装配置文档+139邮箱报警
- 教你用WebRTC撸一个多人视频聊天
- 递推 SDUT 王小二切饼
- Lync2010客户端无法登录Lync Server 2013
- PCIe的XDMA应用
热门文章
- 谈均值、方差、标准差、协方差的概念及意义
- MySQL之慢查询日志和连接管理
- redis入门——集群篇
- Directfb【01】 基础模块和基本运行机制介绍 -- 源码结构分析图
- qt给qdialog加一个滚动条_这些小程序技巧,你敢说你一个用不到?
- python从云端数据库获取数据失败_使用%s的Python MySQL Connector数据库查询失败
- mysql 自定义函数入门_【转】MYSQL入门学习之十三:自定义函数的基本操作
- k8s容器内的东西复制出来_容器 | Docker 如此之好,你为什么还要用k8s
- python例题代码_python26个练习题及代码-789
- java飞行_运行java飞行记录器JFR(java flight recorder)