从Bounding Boxes中能够学习什么？
source link: http://mp.weixin.qq.com/s/YHBLX_6Ih0oo7D2JzTEWMA
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
从Bounding Boxes中能够学习什么？
Edison_G 计算机视觉研究院 2017-11-14 09:21 Posted on
Where does it come from?
The Third Research Institute of the Ministry of Public Security
基于视频结构化描述的视频语义分析系统
可描述车辆颜色、车型、品牌等，车型类别>1200类
个性化检索、以图搜图等
参与重大案件侦破数十起：桂林爆炸案、苏州抓捕案、亚信反恐…
Bounding Boxes注解
那我们从Bounding Boxes中可以得到什么呢？
2. 负类别
3. Bounding Boxes 投票
之前推送也介绍过检测的Pipeline：
*Fast R-CNN, Ross Girshick, IEEE International Conference on Computer Vision (ICCV), 2015
1. 目标
动机：
正样本必须是目标；
将目标输入到End-to-End的网络PipeLine。
相关工作：
BBox的选择；
DeepBox；
Region proposal networks(RPN)。
过程设置如下：
IoU>0.5的区域，标签设置为1，其余都为0；
只使用End-to-End的网络的训练阶段。
2. 负类别
他人方法：设置所有IoU<0.5的区域为不合理区域。
现在的做法：
设置IoU>0.5的为正样本，0.2<IoU<0.5的为负样本，其余的都是背景。
相似的工作如下：
3. Bounding Boxes 投票
在标准的NMS之后，在局部区域中，保持区域bbox有最高的得分；设置区域为R，IoU>0.5，用R∪boxb的方式来进行投票：
检测结果：
*该实验是在CLS数据集上进行的测试
目标定位
最简单的PipeLine：
通过上述的方法（目标、负类别和Bounding Boxes 投票），进行简单实验：
视频中的目标检测
结果：
关注我们的微信公众平台“计算机视觉战队”：
ID：ComputerVisionGzq
在平台中回复“深度学习”、“C++”、“Python”都会有相应的学习资料提供给大家去学习，去实践，希望大家多多支持！
后期我们会继续完善学习资料，并为大家提供GitHub的资源！
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK