目标检测PPT学习课件

第十二章目标检测与识别Lecture12ObjectDetectionandRecognition12目标检测和识别怎样检测和识别图像中物体，如汽车、牛等？29/9/2020目标识别的应用39/9/2020难点之一:如何鲁棒识别？49/9/2020类内差异（intra-classvariability）59/9/2020类间相似性（inter-classsimilarity）69/9/2020难点之二：计算量大一幅图像中像素个数多，目前每秒约产生300G像素的图像/视频数据。-Google图片搜索中已有几十亿幅图像-全球数字照相机一年产生180亿张以上的图片（2004年）-全球一年销售约3亿部照相手机（2005）人的物体识别能力是强大的-灵长类动物约使用大脑皮层的一半来处理视觉信息[FellemanandvanEssen1991]-可以识别3,000-30,000种物体-物体姿态可允许30度以上的自由度。79/9/2020难点之三：如何在小样本条件下学习89/9/2020物体识别方法检测(detection)vs.不检测表示(representation)-颜色、纹理、边缘、梯度、局部特征、深度、运动等等。分类(classificationorcategorization)-K近邻（KNN）-神经网络（NN）-支持向量机（SVM）-Boosting(Adaboost等)-隐马尔科夫模型（HMM）-其他生成学习（Generativelearning）vs.判别学习（discriminativelearning）99/9/2020生成学习vs.判别学习两种分类器学习模式生成学习---目标是学习到符合训练数据的类别模型---如EM算法(MaximumLikelihood)判别学习在训练阶段即考虑类别之间的判别信息包括SupportVectorMachines(SVMs),Boosting,MinimumClassificationError(MCE),MaximumMutualInformation(MMI),LagerMargin(LM),andetc.判别学习算法比生成学习算法表现出更好的分类性能。109/9/2020判别学习方法119/9/2020第二节人脸检测与识别129/9/2020131.物体检测Car/non-carClassifierYes,car.No,notacar.基于二分类器9/9/202014物体检测Car/non-carClassifier在复杂背景下，通过滑动窗口（slidingwindows）搜索感兴趣的物体。9/9/2020物体检测Step1.获取训练数据Step2.提取特征Step3.训练分类器Step4.利用分类器进行检测159/9/2020人脸检测（Facedetection）Viola-Jones人脸检测算法（基于AdaBoost）169/9/2020Viola-Jones人脸检测算法(2004)179/9/2020滤波器设计189/9/2020AdaboostAdaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特徵，并将关键放在关键的训练数据上面。199/9/2020BoostingExample209/9/2020BoostingExample219/9/2020BoostingExample229/9/2020BoostingExample239/9/2020BoostingExample249/9/2020BoostingExample259/9/2020Adaboost学习目标：选择能够最有效地区分人脸与非人脸的矩形特征及其阈值269/9/2020Adaboost组合弱分类器（weaklearners），得到更为精确的集成分类器（ensembleclassifier）。弱分类器：性能仅比随机分类稍好根据矩形特征定义弱分类器:279/9/2020Adaboost算法步骤初始给每个训练样本以同等权重循环执行以下步骤：根据当前加权训练集，选择最佳弱分类器提升被当前弱分类器错分的训练样本的权重按照各弱分类器分类精度对其加权，然后将各个弱分类器形成线性组合，得到最终分类器。289/9/2020Viola-Jones算法中的AdaBoost每一次boosting迭代如下:评价每一个样本上的每一种矩形特征为每一种矩形特征选择最佳分类阈值选择最优的矩形特征及其阈值组合改变样本权重计算复杂度:O(MNT)M：特征数，N：样本数,T：阈值数299/9/2020309/9/2020级联分类器（CascadingClassifiers）319/9/2020训练级联分类器329/9/2020Viola-Jones检测算法-总体流程用5K正样本，350M反样本学习得到38层（共使用6060个特征）级联分类获得实时性339/9/2020Viola-Jones人脸检测结果349/9/2020Viola-Jones人脸检测结果359/9/2020Viola-Jones人脸检测结果369/9/20202.人脸识别（facerecogntion）Zhaoetal.,FaceRecogniton:aliteraturesurvey.ACMComputingsurvey,2003379/9/2020FaceRecognition:2-Dand3-D389/9/2020图像=像素的集合将由n个像素构成的图像视为n维空间中的点399/9/2020最近邻分类器409/9/2020Eigenfaces使用主成分分析技术（PrincipleComponentAnalysis,PCA)减少维数419/9/2020主成分分析(PCA,K-L变换)降低特征向量的维数获得最主要特征分量，减少相关性；避免维数灾难429/9/2020主成分分析(PCA,K-L变换)439/9/2020主成分分析(PCA,K-L变换)449/9/2020Eigenfaces学习1.计算训练图像的均值和协方差矩阵.2.计算协方差矩阵的特征值，取前k个最大特征值对应的特征矢量.3.将图像投影到k-维特征空间（Eigenspace）。识别1.将测试图像投影到Eigenspace.2.在特征图像上执行分类.459/9/2020Eigenfaces:训练图像469/9/2020Eigenfaces479/9/2020PCA方法的不足可能损失重要的细节信息方差最小的方向也可能是重要的没有考虑判别任务希望得到最具判别能力的特征但判别能力最佳并不等同于方差最大489/9/2020Fisherfaces：类特定的线性投影499/9/2020PCA&Fisher的线性判别函数509/9/2020PCA&Fisher的线性判别函数519/9/2020Fisherfaces示例（ORLDatabase）529/9/2020基于eigenfaces/fisherfaces的识别训练：-根据训练图像，利用PCA或Fisher方法确定投影矩阵-将每个训练图像投影到子空间（eigenspace或fisherspace）。识别：-将测试图像投影到eigenspace或fisherspace。-子空间中距离测试图像最近的训练图像对应的类别为识别结果。539/9/2020Project5：人脸合成平均人脸平均就是美549/9/2020Project5：人脸合成559/9/2020Project5：人脸合成569/9/2020Project5：人脸合成579/9/2020Project5：人脸合成589/9/2020Project5：人脸合成FantaMorph，人脸合成软件599/9/2020Project5：人脸合成FantaMorph，人脸合成软件手动标定人脸609/9/2020Project5：人脸合成FantaMorph，人脸合成软件手动标定人脸619/9/2020Project5：人脸合成FantaMorph，人脸合成软件产生多张合成图像，随机或者平均输出629/9/2020Project5：人脸合成Task：利用人脸检测算法，将上述过程改为自动完成，实现自动人类合成。639/9/2020第三节深度学习导引649/9/2020第三节深度学习导引659/9/2020第三节深度学习导引669/9/2020第三节深度学习导引679/9/2020第三节深度学习导引689/9/2020第三节深度学习导引699/9/2020第三节深度学习导引709/9/2020第三节深度学习导引719/9/2020神经网络的基本结构729/9/2020神经网络的大量参数739/9/2020神经网络的表现能力749/9/2020神经网络的表现能力759/9/2020神经网络的表现能力769/9/2020神经网络的表现能力779/9/2020卷积神经网络789/9/2020卷积神经网络799/9/2020卷积神经网络809/9/2020卷积神经网络819/9/2020卷积神经网络829/9/2020卷积神经网络卷积层的作用839/9/2020卷积神经网络849/9/2020卷积神经网络859/9/2020卷积神经网络池化层的作用869/9/2020卷积神经网络879/9/2020卷积神经网络激活函数889/9/2020卷积神经网络899/9/2020卷积神经网络909/9/2020卷积神经网络919/9/2020卷积神经网络Softmax层的作用929/9/2020卷积神经网络939/9/2020卷积神经网络网络的预处理949/9/2020卷积神经网络的实例Alexnet959/9/2020卷积神经网络的实例Alexnet969/9/2020卷积神经网络的实例FCN网络979/9/2020卷积神经网络的实例FCN网络989/9/2020卷积神经网络的实例FCN网络999/9/2020卷积神经网络的训练方法1009/9/2020卷积神经网络的训练方法1019/9/2020卷积神经网络的训练方法1029/9/2020卷积神经网络的训练方法1039/9/2020卷积神经网络的训练方法1049/9/2020卷积神经网络的训练方法1059/9/2020卷积神经网络的训练方法1069/9/2020卷积神经网络的训练方法1079/9/2020卷积神经网络的训练方法1089/9/2020递归神经网络RecurrentNeuralNetworks1099/9/2020递归神经网络LSTM1109/9/2020