39-Day11.md

39-Day11

计算机视觉简介

人的视觉处理系统：眼睛

计算机视觉应用

从图像或者视频中紫冬抽取信息

模拟人的视觉行为

机器视觉

计算机视觉任务

分类

定位

检测

场景解析与标记

OpenCV介绍

简介

开源

BSD协议，跨平台

应用：多点触摸、摄像头互动、体感交互、人脸识别

最初由intel开发

使用实例

深度学习框架

对象检测 Tensorflow-OD

分类、定位、检测、分割

计算机视觉识别指标

精确率 预测为正的样本有多少是真正的正样本

召回率 样本中的正的有多少被预测准确了

准确率 预测对的/总预测

平均精确率均值mAP

识别准确率的指标之一

PR曲线的AUC指标

最佳工作状态

在精确率和召回率之间取舍

取调和平均数

视觉对象算法检测指标

IOU（重叠联合比）

两个识别框，相交的面积除以相并的面积

视觉对象检测方法-RNN

R-CNN简介

定位目标物和图像分割

标注数据比较稀疏时，性能较好

用ImageNet上训练好的模型

实现过程

输入图像，提取提炼区域

用选择性搜索算法 搜索可能的图像区域

图像分类

用预训练好的向量机

R-CNN缺点

训练时间和空间开销大

测试时间开销大

Fast R-CNN

优点

速度更快，精确度更高

Faster R-CNN

每个网络可以独立或者联合训练

可以简单地看作RPN+fast R-CNN

包含两个模块

RPN

fast R-CNN 池化层

YOLO 对象检测的算法

简介

将目标检测任务的认识，由分类问题化简为实际问题

基本流程

先读取图片，分割成若干个网格

预测每个部分的范围

置信度计算

网络结构

24个卷积层接2个全连接层

损失函数

改进 -YOLO v2

准确性、运算速度提升

是当前最佳的试试高精度目标检测算法

基本思想：采取了Anchor机制，来处理不同长宽比例图对象的检测

直接位置检测，优化收敛速度

批量规范化

Anchor机制与直接位置检测

Anchor机制 即参照机制 ？？

不足 漏检

YOLO v3

多次度预测

基础分类网络和分类器

不使用SoftMax进行分类

Yolo v4

加了很多trick

SSD对象检测的算法

---

方法核心

图像语义分割方法

Semantic Segmentation

计算机视觉的姿态检测

原理简介3913

用时识别和关联

识别部位

确定人

Jetson Nano

tf.data