企业门户网站运营推广,昆明网站建设,苏州做网站公司认定苏州聚尚网络,网站建设规划书中的技术可行性不包括问题剖析
相对于一般目标检测任务#xff0c;细粒度目标更容易出现类内差异大、类间差异小等现象。
所谓细粒度目标识别#xff0c;是指在目标检测的基础上#xff0c;识别出目标的具体型号与类别#xff0c;例如不只识别出飞机目标#xff0c;还能识别出飞机型号。粗粒…问题剖析
相对于一般目标检测任务细粒度目标更容易出现类内差异大、类间差异小等现象。
所谓细粒度目标识别是指在目标检测的基础上识别出目标的具体型号与类别例如不只识别出飞机目标还能识别出飞机型号。粗粒度是分辨猫还是狗而细粒度是分辨狗的种类比如这个狗是杜宾犬还是金毛。
基于深度学习的细粒度目标检测算法研究
LionRoarRoar/Awesome-Fine-grained-Visual-Classification: Awesome Fine-grained Visual Classification (github.com)
Awesome Fine-Grained Image Analysis – Papers, Codes and Datasets (weixiushen.com)
目标识别算法选择
对于细粒度物体识别通常来说R-CNN更适合。R-CNN是一种基于区域的卷积神经网络它在检测和识别物体时能够更好地捕捉物体的细节和特征。相比之下YOLO更适合于快速的实时物体检测但在细粒度物体识别上可能不如R-CNN表现出色。
1、yolo
不生成预选框
2、R-CNN
先生成备选框后分类修正识别
3、SSD
4、多模型融合
将每个模型的预测结果进行融合可以采用简单的投票机制、加权平均或者更复杂的集成学习方法来融合这些结果。调整融合权重根据实际情况可能需要对不同模型的预测结果进行加权融合以提高整体预测性能。
数据集获取
训练集、验证集、测试集
堆数据
1、爬虫
1、多搜索引擎爬取
2、筛选去重
颜色特征提取纹理特征提取SIFT特征对比
2、数据增强
目的
执行数据增强你可以阻止神经网络学习不相关的特征从根本上提升整体性能。
方法
有监督
翻转旋转缩放裁剪移位
可能的问题旋转特定角度出现黑色区域 - 插值
无监督:
通过模型学习数据的分布随机生成与训练数据集分布一致的图片代表方法GAN。通过模型学习出适合当前任务的数据增强方法代表方法AutoAugment。
自动数据增强https://github.com/tensorflow/tpu/blob/master/models/official/detection/utils/autoaugment_utils.py
可能出现的问题
过度拟合 - 高斯噪声
样本不平衡问题
图片标注
标注工具labellmg
影响分类识别的因素
可以归结为三个方面
第一种因素就是比较常见的基于图像本身的一些因素比如光照形变尺度模糊等等。第二种因素就是类内差异太大比如椅子桌子虽然都叫椅子桌子可是形态各异。第三种因素就是类间差异太小最常见的就是细粒度分类。
缩小类内距离增大类间距离策略——摘自知乎作者新想_多分类损失函数优化 类间距离大-CSDN博客
如何保持分类模型具有类内聚敛、类间分离的特性 - 简书 (jianshu.com)
triplet lossL-softmaxA-softmaxAm-softmaxcenterlossLDA
