图像定位的优化

发表于2023-07-14|更新于2026-09-01|教程深度学习

|总字数:223|阅读时长:1分钟|浏览量:

预测图像位置本质上是一个回归问题，直接回归出位置，有两个`缺点`：

回归位置不精确
泛化能力不好
目前算法只能预测单个实例

图像定位优化方法:

先大后小：现在整张图片预测出关键点，然后再在预测出的关键点周边，进行二次预测。
滑动窗口的方式：用一个小的窗口在图片上滑动，每一次做两个预测：

（1）是否有关键点

（2）关键点位置
针对不定个数的预测问题：可以先检测多个对象，再在多个对象上分别回归出位置
尝试使用全卷积网络，去掉全链接层，变回归为分类问题
等等很多网络，自己去探索

IoU交并比

==Iou-> 0~1 越接近1越好==

文章作者: YuKiFuHaNe

文章链接: https://blog.yukifuhane.cn.eu.org/2023/07/14/%E5%9B%BE%E5%83%8F%E5%AE%9A%E4%BD%8D%E7%9A%84%E4%BC%98%E5%8C%96/

版权声明: 本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 YuKiFuHaNeの博客！

目标检测图像定位 IoU 交并比滑动窗口

相关推荐

import tensorflow as tf import matplotlib.pyplot as plt %matplotlib inline from lxml import etree from matplotlib.patches import Rectangle import numpy as np import glob 查看Tensorflow版本1tf.__version__ 查看是否支持GPU加速1tf.test.is_gpu_available() 创建输入管道读取所有图片1images = glob.glob('./images/*.jpg') 读取xmls标注文件1xmls = glob.glob('./annotations/xmls/*.xml') 对读取的图片jpg与xmls进行名称提取12xmls_names = [x.split('\\')[-1].split('.xml')[0] for x in xmls]images_names = [x.spli...

数据标注库labelImg库 1pip install labelImg 1pip install labelImg -i https://pypi.doubanio.com/simple 使用labelimg命令行 1labelimg

多目标的定位与识别

OpenCV 视频中的模板匹配

12345678910111213141516171819202122232425262728293031323334353637import cv2import matplotlib.pyplot as pltimport numpy as nptemplate = cv2.imread('face_template.png',cv2.IMREAD_COLOR)template = cv2.cvtColor(template,cv2.COLOR_BGR2GRAY)print(template.shape)vc = cv2.VideoCapture('test.mp4')#检测打开是否正确if vc.isOpened(): open,frame = vc.read()else: open = Falsewhile open: ret,frame = vc.read() if frame is None: break if ret ==True: gray = cv2.cvtColor...

模板匹配多个对象

123456789101112131415161718192021222324252627282930313233343536373839import cv2import numpy as np#TemplateMatchModes''' ·TM-SQDIFF 计算平方不同，计算出来的值越小，越相关 ·TM_CCORR 计算相关性，计算出来的值越大，越相关 ·TM_CCOEFF 计算相关系数，计算出来的值越大，越相关 ·TM_SQDIFF_NORMED 计算归一化平方不同，计算出来的值越接近0，越相关 ·TM_CCORR_NORMED 计算归一化相关性，计算出来的值越接近1，越相关 `TM_CCOEFF_NORMED 计算归一化相关系数，计算出来的值越接近1，越相关'''img = cv2.imread("face.png",cv2.IMREAD_C...