标签:02 分割 候选框 07 背景 Object Segmentation 2021 RCNN
1.计算机视觉导论
解决的问题
分类,检测,分割
Single Object
- Classification
- Classification + Localization
Multiple Object
- Object Detection 有些像素里面是目标的,有一些是背景的,所以背景的就是冗余了。
- Segmentation(分割最难),就像是PS的抠图
Semantic Segmentation 语义分割:分割的时候,每个像素进行分类,就是按类分,所以猫与猫之间是没有界限的,同一类物体时被分在一起。
会区分背景,就是会把背景识别出来
Instance Segmentation 实例分割:将不同的物体扣出来,会有不同的个体
背景是不感兴趣区域,所以就不识别出来,不进行处理
图像分割不是目的,只是前提
三个关键
- 硬件的算力
- 样本数据
- 模型的算法
目标检测方法分类
两阶段方法:先从图像上提取候选框,再对每一个候选框进行逐一的甄别,最终把置信度高的候选框,筛选出来,展示出最后的结果。
eg. R-CNN, Fast-RCNN, Faster-RCNN, Mask-RCNN.
缺点:速度比较慢,就像RCNN需要提取2000多个框,那就浪费了很多的算力,但是很准确。
单阶段方法:不需要提取候选框,直接把图像放进去,就可以得到结果,所以速度就非常快。
eg. YOLO、SSD
标签:02,分割,候选框,07,背景,Object,Segmentation,2021,RCNN 来源: https://blog.csdn.net/weixin_43558052/article/details/113748255
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。