深度学习（2）-图像检测算法（更快的R-cnn），简单易用，思路新颖

掌握基本知识决定了研究的高度. 刚开始接触深度学习时，通常会看到其他人的摘要. 这种方法对我们快速入门非常有好处，但是它也有一个很大的缺点，即知识了解不彻底，这使我们在优化算法时感到困惑. 我还以知识总结的想法开始了对深度学习知识本质的探索，并希望从中帮助更多的人. 文章中间有不清楚的表述. 我希望其他研究人员（研究深度学习的朋友）会建议我尝试改进我的文章.

输入主题，更快的R-cnn易于理解的思维和完成方式:

模块介绍:

1. 最重要的模块-区域推荐网络（RPN）

网络改善了为R-cnn和Fast R-cnn选择候选框而导致的时间问题. R-CNN和检测网络共享完整图像的卷积特征，从而减少了建议区域的时间. 首先遍历整个特征图上的像素，然后生成以每个像素为中心的9个锚点. 这9个锚点是一个超级参数，由我们自己固定. 通常，将它们设置为三个不同的比率和三个不同大小的参数. 对于每个像素获得的帧，我们根据它们的特征对其进行分类，主要是通过使用两种分类来确定它们是前景还是背景. 我们取消了背景框，现在剩下的就是包含检测到的对象特征的复选框. 下面，我们将再次过滤其余框:

现在开始差异化和培训过程:

在训练过程中，我们有目标地面真理. 我们可以根据此框来筛选现有的锚点. 首先删除具有高重叠度的框以达到稀疏效果. 还有一个IOU参数，表示锚定框与地面真实框之间的重叠程度. 当IOu大于我们设置的超级参数（通常为0.7）时，它将保留并确保我们选择正确的框. 此外，还会保留一个小的IOU（通常为0.3）. 为了确保样本输入的局部特征用于分类训练，我们可以确保我们能够检测到可以识别图片缺失部分的信息.

接下来将有两个分支.

1. 使用softmax进行分类并找到每个框的分数和类别. 然后找到回归，训练网络的卷积和完全连接层的权重.

2. 将选取框移至“真确框”，了解选取框的回归参数，并微调选取框. 我们可以根据输入特征（对应于中心点长度，宽度和高度的卷积特征）和学习的权重矩阵对长度，宽度和高度的训练参数进行微调.

在测试时，我们没有真实的框架，现在是时候选择候选框架了. 找到具有最高识别度的框架，然后消除微调参数以进行校准以获得良好的结果.

线性回归是给定的输入特征向量X，学习一组参数W，因此线性回归后的值非常接近真实值Y（地面真相）. 那是

. 那么边界框内的输入和输出是什么？

输入:

这是什么？这四个值是输入吗？实际上，实际输入是与此窗口相对应的CNN特征，它是R-CNN中的Pool5特征（特征向量）. （注意: 培训阶段的输入还包括地面真相，这将在下文中提及

）

输出:

需要Pan转换和缩放

，或者是

. 我们的最终输出不应该是地面真理吗？是的图像识别用什么算法图像识别用什么算法，但是通过这四个转换，我们可以直接获得地面真相，这里存在一个问题，根据上述四个公式，我们可以知道P通过了

得到的不是真实值G，而是预测值

.

什么是图像强度？

图像强度表示单通道图像像素的强度（值大小）. 在灰度图像中，它是图像的灰度. 在RGB颜色空间中，可以理解为R通道像素

图像识别算法

图像特征包括颜色特征，纹理特征，形状特征和局部特征点. 局部特性具有良好的稳定性，不容易受到外部环境的干扰. 1.局部特征点

Matlab图像镶嵌融合（四种方法）

matlab图像拼接的四种方法: 1.直接拼接； 2.亮度调整后拼接； 3.根据距离比进行融合； 4.根据亮度调整后按距离比例进行融合处理: 1.阅读左右图片并删除它们

Snake模型图像分割简介（5）主动轮廓模型

图像分割（五个）主动轮廓模型的Snake模型简介zouxy09@qq.com在“图像分割（一个）概述”中，我们简要地了解了

图像的上采样和下采样

参考:: //blog.csdn.net/augusdi/article/details/9028365缩小

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-186475-1.html