在线观看www成人影院-在线观看www日本免费网站-在线观看www视频-在线观看操-欧美18在线-欧美1级

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

關于通過深度學習車輛檢測的相關研究

MATLAB ? 來源:djl ? 作者:Avi Nehemiah ? 2019-09-12 10:39 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

目標檢測是指在圖像和視頻中對目標進行定位和分類。

在本節(jié)中,我將通過一個車輛檢測示例,介紹如何使用深度學習創(chuàng)建目標檢測器。相同步驟可用于創(chuàng)建任何目標檢測器。

下圖顯示了一個三類車輛檢測器的輸出結果,檢測器對每一種類型的車輛進行了定位和分類。

對不同類型車輛進行定位和分類的車輛檢測器顯示的輸出結果。

在創(chuàng)建車輛檢測器之前,我需要一組標注的訓練數據,這是一組用感興趣目標的位置和標簽標注的圖像。更具體地說,是需要有人對每幅圖像或視頻幀進行篩選,并對所有感興趣目標的位置進行標注。這個過程稱為“真值標注”。

真值標注通常是創(chuàng)建目標檢測器過程中最耗時的部分。下圖左側顯示的是原始訓練圖像,右側顯示的是經過真值標注的相同圖像。

原始輸入圖象(左)和經過地面實況標注的輸入圖象(右)。

可以想見,標注一組數量足夠大的訓練圖像數據集是一項極費人力的處理過程。為了減少數據標注時間,我使用了Ground Truth Labeler 自動駕駛系統(tǒng)工具箱,它可使地面實況標注過程實現部分自動化。

用于標注視頻和圖像數據的 Ground Truth Labeler 屏幕截圖。

實現標注過程部分自動化的一種方法是使用跟蹤算法。我使用的KanadeLucas Tomasi算法(KLT)是在實際應用中使用的第一種計算機視覺算法。KLT 算法將目標表示為一組特征點,然后逐幀跟蹤它們的移動位置。我們可以在第一幀中手動標注一個或多個目標,然后使用跟蹤算法標注視頻的其余部分。

Ground Truth Labeler 還允許用戶導入自己的算法進行自動化標注。

我見過的最常用的方法是,用戶導入自己現有的檢測器,再進行新數據標注,這可以幫助他們創(chuàng)建出更精確的檢測器。下圖演示了使用 Ground Truth Labeler 標注一系列圖像或視頻的工作流程。

關于通過深度學習車輛檢測的相關研究

使用MATLAB進行自動真值標注的流程。

標注數據最終以 table 格式存儲,table 中列出了訓練集視頻中車輛在每個時間點的位置。真值標注完成后,我可以開始訓練車輛檢測器。

本例中,我估計真值標注過程最高可加速 119 倍。我們以每秒30幀的速度捕捉訓練視頻數據,每4秒對目標進行一次標注。這意味著我們將節(jié)省中間119幀的標注時間。當然這是最好的情況,因為我們有時還得花時間更正自動標注的輸出結果。

我們的車輛檢測器使用的是FasterR-CNN網絡。首先,定義一個網絡架構,如下面的MATLAB代碼片段所示。Faster R-CNN算法主要分析圖像的區(qū)域,因此輸入層比輸入圖像的預期尺寸要小。本例中,我選擇了一個32x32像素的窗口。輸入尺寸需要根據執(zhí)行時間和希望檢測器解析的空間細節(jié)進行衡量。

關于通過深度學習車輛檢測的相關研究

中間層是網絡的核心構造塊,具有重復的卷積層、ReLU 層和池化層。

本例中,我只會使用幾個層。若要提高準確性,或者如果想要將更多的類并入檢測器中,可以重復這些使用層,創(chuàng)建一個更深的網絡。

關于通過深度學習車輛檢測的相關研究

CNN 的最后一層通常是一組全連接層和一個 softmax loss 層。

在本例中,我在全連接層之間添加了一個 ReLU 非線性層,用以提高檢測器的性能,因為我們這個檢測器的訓練集并沒有我想要的那么大。

關于通過深度學習車輛檢測的相關研究

為訓練目標檢測器,我將 layers 網絡結構輸入 trainFasterRCNNObjectDetector 函數。如果您安裝了 GPU,算法會默認使用 GPU。如果不想使用 GPU 或者想使用多個 GPU,您可以在 trainingOptions(訓練選項)中調整 ExecutionEnvironment 參數。

關于通過深度學習車輛檢測的相關研究

完成訓練之后,可以在測試圖像上試一試,看看檢測器是否正常工作。我使用下面的代碼在單一圖像上測試檢測器。

關于通過深度學習車輛檢測的相關研究

Faster R-CNN車輛檢測器檢測到的邊界框和得分。

若確信自己的檢測器正常工作,我強烈建議您使用統(tǒng)計指標(例如,平均精度)在更大的一組驗證圖像集上進行測試。平均精度提供的單一分數可衡量檢測器進行正確分類的能力(準確率)以及檢測到所有相關對象的能力(召回率)。

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 檢測器
    +關注

    關注

    1

    文章

    894

    瀏覽量

    48645
  • 深度學習
    +關注

    關注

    73

    文章

    5560

    瀏覽量

    122750
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關推薦
    熱點推薦

    大模型推理顯存和計算量估計方法研究

    方法。 一、引言 大模型推理是指在已知輸入數據的情況下,通過深度學習模型進行預測或分類的過程。然而,大模型的推理過程對顯存和計算資源的需求較高,這給實際應用帶來了以下挑戰(zhàn): 顯存不足:大模型在推理
    發(fā)表于 07-03 19:43

    提高IT運維效率,深度解讀京東云AIOps落地實踐(異常檢測篇)

    基于深度學習對運維時序指標進行異常檢測,快速發(fā)現線上業(yè)務問題 時間序列的異常檢測是實際應用中的一個關鍵問題,尤其是在 IT 行業(yè)。我們沒有采用傳統(tǒng)的基于閾值的方法來實現異常
    的頭像 發(fā)表于 05-22 16:38 ?409次閱讀
    提高IT運維效率,<b class='flag-5'>深度</b>解讀京東云AIOps落地實踐(異常<b class='flag-5'>檢測</b>篇)

    基于RK3576開發(fā)板的車輛檢測算法

    車輛檢測是一種基于深度學習的對人進行檢測定位的目標檢測,能廣泛的用于園區(qū)管理、交通分析等多種場景
    的頭像 發(fā)表于 05-08 17:34 ?898次閱讀
    基于RK3576開發(fā)板的<b class='flag-5'>車輛</b><b class='flag-5'>檢測</b>算法

    基于RV1126開發(fā)板的車輛檢測算法開發(fā)

    車輛檢測是一種基于深度學習的對人進行檢測定位的目標檢測,能廣泛的用于園區(qū)管理、交通分析等多種場景
    的頭像 發(fā)表于 04-14 16:00 ?276次閱讀
    基于RV1126開發(fā)板的<b class='flag-5'>車輛</b><b class='flag-5'>檢測</b>算法開發(fā)

    基于高光譜深度特征的油菜葉片鋅含量檢測

    為了實現油菜葉片鋅含量的快速無損檢測,該研究采用一種基于高光譜成像技術結合深度遷移學習算法的高精度檢測方法,
    的頭像 發(fā)表于 02-24 18:03 ?349次閱讀
    基于高光譜<b class='flag-5'>深度</b>特征的油菜葉片鋅含量<b class='flag-5'>檢測</b>

    軍事應用中深度學習的挑戰(zhàn)與機遇

    人工智能尤其是深度學習技術的最新進展,加速了不同應用領域的創(chuàng)新與發(fā)展。深度學習技術的發(fā)展深刻影響了軍事發(fā)展趨勢,導致戰(zhàn)爭形式和模式發(fā)生重大變化。本文將概述
    的頭像 發(fā)表于 02-14 11:15 ?521次閱讀

    BP神經網絡與深度學習的關系

    ),是一種多層前饋神經網絡,它通過反向傳播算法進行訓練。BP神經網絡由輸入層、一個或多個隱藏層和輸出層組成,通過逐層遞減的方式調整網絡權重,目的是最小化網絡的輸出誤差。 二、深度學習
    的頭像 發(fā)表于 02-12 15:15 ?841次閱讀

    NPU在深度學習中的應用

    隨著人工智能技術的飛速發(fā)展,深度學習作為其核心驅動力之一,已經在眾多領域展現出了巨大的潛力和價值。NPU(Neural Processing Unit,神經網絡處理單元)是專門為深度學習
    的頭像 發(fā)表于 11-14 15:17 ?1879次閱讀

    GPU深度學習應用案例

    GPU在深度學習中的應用廣泛且重要,以下是一些GPU深度學習應用案例: 一、圖像識別 圖像識別是深度學習
    的頭像 發(fā)表于 10-27 11:13 ?1321次閱讀

    激光雷達技術的基于深度學習的進步

    信息。這使得激光雷達在自動駕駛、無人機、機器人等領域具有廣泛的應用前景。 二、深度學習技術的發(fā)展 深度學習是機器學習的一個分支,它
    的頭像 發(fā)表于 10-27 10:57 ?1046次閱讀

    FPGA加速深度學習模型的案例

    FPGA(現場可編程門陣列)加速深度學習模型是當前硬件加速領域的一個熱門研究方向。以下是一些FPGA加速深度學習模型的案例: 一、基于FPG
    的頭像 發(fā)表于 10-25 09:22 ?1189次閱讀

    AI大模型與深度學習的關系

    AI大模型與深度學習之間存在著密不可分的關系,它們互為促進,相輔相成。以下是對兩者關系的介紹: 一、深度學習是AI大模型的基礎 技術支撐 :深度
    的頭像 發(fā)表于 10-23 15:25 ?2862次閱讀

    FPGA做深度學習能走多遠?

    的發(fā)展前景較為廣闊,但也面臨一些挑戰(zhàn)。以下是一些關于 FPGA 在深度學習中應用前景的觀點,僅供參考: ? 優(yōu)勢方面: ? 高度定制化的計算架構:FPGA 可以根據深度
    發(fā)表于 09-27 20:53

    通過實時盲區(qū)檢測提高車輛安全性

    車載汽車安全系統(tǒng)通過檢測駕駛員盲區(qū)中是否存在相鄰車輛,并警告駕駛員可能發(fā)生的事故來防止發(fā)生車禍。駕駛員可以使用此信息來安全地變道。在本文中,我們將討論盲區(qū)檢測技術。
    的頭像 發(fā)表于 08-30 16:39 ?1557次閱讀
    <b class='flag-5'>通過</b>實時盲區(qū)<b class='flag-5'>檢測</b>提高<b class='flag-5'>車輛</b>安全性

    PyTorch深度學習開發(fā)環(huán)境搭建指南

    PyTorch作為一種流行的深度學習框架,其開發(fā)環(huán)境的搭建對于深度學習研究者和開發(fā)者來說至關重要。在Windows操作系統(tǒng)上搭建PyTorc
    的頭像 發(fā)表于 07-16 18:29 ?2469次閱讀
    主站蜘蛛池模板: 天堂网久久| 四虎最新网址入口 | 亚洲欧美网 | 天天寡妇色 | 亚洲图片综合区另类图片 | 亚洲综合色色图 | 天天干夜夜欢 | 人人人人澡| 欧美黑人性色黄在线视频 | 婷婷啪啪| 午夜性刺激免费视频观看不卡专区 | 色噜噜狠狠狠狠色综合久 | 一区在线观看视频 | 免费观看视频高清www | 人人玩人人添天天爽 | 大尺度很肉污的古代小说 | 成人免费看黄网站无遮挡 | 狠狠色婷婷丁香综合久久韩国 | 狠狠色丁香婷婷 | 日韩欧美视频在线一区二区 | 日本黄色免费一级片 | 精品国产免费人成高清 | 你懂的在线免费视频 | 九色97 | 亚州国产精品精华液 | 成人午夜小视频手机在线看 | 在线日本人观看成本人视频 | 五月婷婷色网 | 亚洲第一视频在线 | 久久精品午夜 | 九色国产在视频线精品视频 | 视频高清正版在线观看 | 午夜激情小视频 | 色狠狠综合网 | 黄色网络在线观看 | 开心色99×xxxx| 四虎影院网站 | 四虎新地址4hu 你懂的 | 日本色视 | 亚洲高清视频一区 | 国产精品15p|