集体智慧 综合若干错误的预测结果,可以得到正确的预测结果吗?答案是可以!这好像违背直觉,但优秀的预测模型可以做到,甚至理应如此。 这基于以下事实:虽然错误的预测结果可能有很多,但是正确的只有一个。通过组合具有不同优缺点的模型,往往能强化正确的预测结果,同时使错误相互抵消。这种通过组合不同模型来提高预测准确度的方法被称为集成方法。 前面学习了决策树,本文主要讲的随机森林就是基于决策树的一种集成方法。为了说明随机森林为何优于决策树,我们首先生成1000棵决策树,用来预测可能发生在美国旧金山的犯罪行为,然后基于这1000…

2020年07月09日 0条评论 13点热度 1人点赞 阅读全文

RPN部分的输入、输出如下: 输入:feature map、物体标签,即训练集中所有物体的类别与边框位置。 输出:Proposal、分类Loss、回归Loss,其中,Proposal作为生成的区域,供后续模块分类与回归。两部分损失用作优化网络。 RPN模块的总体代码逻辑如下,源代码文件见lib/model/faster_rcnn/faster_rcnn.py。 本文中的源代码文件获取方式请参考:http://ai.52learn.online/1042

2020年06月26日 0条评论 5点热度 0人点赞 阅读全文

总览如图1所示为Faster RCNN算法的基本流程,从功能模块来讲,主要包括4部分:特征提取网络、RPN模块、RoI Pooling(Region of Interest)模块与RCNN模块,虚线表示仅仅在训练时有的步骤。Faster RCNN延续了RCNN系列的思想,即先进行感兴趣区域RoI的生成,然后再把生成的区域分类,最后完成物体的检测,这里的RoI使用的即是RPN模块,区域分类则是RCNN网络。 特征提取网络Backbone:输入图像首先经过Backbone得到特征图,在此以VGGNet为例,假设输入图像…

2020年06月26日 0条评论 7点热度 0人点赞 阅读全文

RCNN全称为Regions with CNN Features,是将深度学习应用到物体检测领域的经典之作,并凭借卷积网络出色的特征提取能力,大幅度提升了物体检测的效果。而随后基于RCNN的Fast RCNN及Faster RCNN将物体检测问题进一步优化,在实现方式、速度、精度上均有了大幅度提升。 物体检测领域出现的新成果很大一部分也是基于RCNN系列的思想,尤其是Faster RCNN,并且在解决小物体、拥挤等较难任务时,RCNN系列仍然具有较强的优势。因此,想要学习物体检测,RCNN系列是第一个需要全面掌握的…

2020年06月26日 0条评论 18点热度 0人点赞 阅读全文

VGGNet和ResNet等网络骨架,虽从各个角度出发提升了物体检测性能,但就究其根本是为ImageNet的图像分类任务而设计的。而图像分类与物体检测两个任务天然存在着落差,分类任务侧重于全图的特征提取,深层的特征图分辨率很低;而物体检测需要定位出物体位置,特征图分辨率不宜太小,因此造成了以下两种缺陷: 1)大物体难以定位:对于FPN等网络,大物体对应在较深的特征图上检测,由于网络较深时下采样率较大,物体的边缘难以精确预测,增加了回归边界的难度。 2)小物体难以检测:对于传统网络,由于下采样率大造成小物体在较深的特…

2020年06月26日 0条评论 5点热度 0人点赞 阅读全文

给定一幅图像(一般为二值图像)中的点集合,如何检测直线? 一种解决方法:任选一对点,决定一条线,然后测试所有其他点是否接近这条线,从而得出接近这条特殊线的所有点的子集。该方法比较复杂。另外一种方法便是采用霍夫变换。 霍夫变换是图像处理必然接触到的一个算法,它通过一种投票算法检测具有特定形状的物体,该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换结果,该方法可以进行圆,直线,椭圆等形状的检测。在车道线检测中,当初考虑的一个方案便是采用霍夫变换检测直线进行车道线提取。 霍夫变换…

2020年06月24日 0条评论 31点热度 0人点赞 阅读全文