这就是拟建的新机场模型
产品Φ最受欢迎的型号。
法提供了他国效法的模式
以你的父亲为榜样, 你就会成为一个杰出的人。
她是全国的顶尖模特儿之一
你对这个回答嘚评价是?
这就是拟建的新机场模型
产品Φ最受欢迎的型号。
法提供了他国效法的模式
以你的父亲为榜样, 你就会成为一个杰出的人。
她是全国的顶尖模特儿之一
你对这个回答嘚评价是?
下载百度知道APP抢鲜体验
使用百度知道APP,立即抢鲜体验你的手机镜头里或许有别人想知道的答案。
业作业机整机模态模型的
测数据建立系统数学模型的技术
计算机视觉领域的应用继续令人驚叹着从检测视频中的目标到计算人群中的人数,计算机视觉似乎没有无法克服的挑战
这篇文章的目的是建立一个自定义Mask R-CNN模型,可以檢测汽车上的损坏区域(参见上面的图像示例)这种模型的基本应用场景为,如果用户可以上传照片并且可以评估来自他们的损害保險公司可以使用它来更快地处理索赔。如果贷方承销汽车贷款特别是二手车,也可以使用这种模式
Mask R-CNN是一个实例分割模型,它允许我们识别目标类别的像素位置“实例分割”意味着对场景内的各个目标进行分段,无論它们是否属于同一类型- 即识别单个车辆人员等。查看以下在COCO 数据集上训练的Mask-RCNN模型的GIF 如你所见,它可以识别汽车人员,水果等的像素位置
Mask R-CNN不同于经典目标检测模型–Faster R-CNN等,除了识别类别及其边界框位置之外还可以对边界框中与该类别对应的像素区域进行着色。那么哪些任务需要这些额外的细节呢我能想到的一些例子是:
在我们构建Mask R-CNN模型之前,让我们首先了解它是如何工作的悝解Mask R-CNN的一个好的方式是把它看作一个混合的Faster R-CNN,一个可以进行目标检测(类别+边界框)和可以实现像素级别标注的FCN(完全卷积网络)的组合见下图:
Mask R-CNN在概念上很简单:首先使用Faster R-CNN为每个候选目标提供两个输出,一个类别标签和一个边界框偏移; 同时添加了第三个输出目标Mask的分支- 一个二进制Mask,用于表明目标在边界框中的像素位置;另外额外的Mask输出与类别和边界框输出不同,需要提取目标更精细的空间布局为此,Mask R-CNN使用下面描述的 Fully Convolution
FCN是一种用于进行语义分割的流行算法该模型使用多种卷积和最大池化层来首先将图像解压缩到其原始大小的1/32。然后它在此粒度级别进行类别预测。最后它使用了上采样和反卷积层来将图像大小调整为原始尺寸。
因此简而言之,我们可以说Mask R-CNN网络架構结合了两个网络- Faster R-CNN和FCN模型的损失函数是进行分类,生成边界框和生成mask的总损失
Mask RCNN还有一些额外的改进,使其比FCN更精确可以在论文中
()阅读更多相关信息 。
在本次练习中我从Google收集了66张受损车辆的图像(50张训练集和16张验证集)。看看下媔的一些例子
()提供的html版本 。使用此工具可以创建多边形mask如下所示:
创建完所有注释后,可以下载注释并以json格式保存您可以在此峩存储库下customImages文件夹里查看我的存储库中的图像和注释。
接下来我们将加载我们的图像和注释
我使用了Matterport共享的balloon.py文件并对其进行了修改,以創建一个加载图像和注释的自定义代码并将它们添加到CustomDataset类中。在这我的存储库内custom.py上查看整个代码本代码可适用其他检测任务情形(请紸意:此代码仅适用于一个类别)。
此外可以使用此笔记本() 可视化给定图像上的mask。请参阅以下示例:
为了训练模型我们使用COCO训练嘚模型作为检查点来执行迁移学习。可以在Matterport存储库下载此模型
运行以下代码块训练模型:
您可以使用此notebook中(inspect_custom_weights.ipynb)的代码检查模型权重- 检查洎定义权重。请在此笔记本中链接你的最后一个检查点此notebook可以帮助进行健全性检查–权重和偏差是否分布正常。请参阅下面的示例输出:
使用笔记本 inspect_custom_model 对来自val set的图像运行模型并查看模型预测。请参阅以下示例结果:
至此已经完成建立了一个Mask R-CNN模型来检测汽车上的损坏。
Mask-RCNN是目标检测模型的下一个发展方向它面向更精确的检测。Matterport公开了它的存储库并允许我们利用它来构建自定义模型去实现更多有意义的任务本文只是Mask R-CNN模型可以完成的一个小例子。
版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。