目標(biāo)檢測(cè)要求和識(shí)別辦法課件

目標(biāo)檢測(cè)要求和識(shí)別辦法目標(biāo)檢測(cè)要求和識(shí)別辦法目標(biāo)檢測(cè)和識(shí)別怎樣檢測(cè)和識(shí)別圖像中物體，如汽車(chē)、牛等？目標(biāo)檢測(cè)和識(shí)別怎樣檢測(cè)和識(shí)別圖像中物體，如汽車(chē)、牛等？目標(biāo)識(shí)別的應(yīng)用目標(biāo)識(shí)別的應(yīng)用難點(diǎn)之一:如何魯棒識(shí)別？難點(diǎn)之一:如何魯棒識(shí)別？類(lèi)內(nèi)差異（intra-classvariability）類(lèi)內(nèi)差異（intra-classvariability）類(lèi)間相似性（inter-classsimilarity）類(lèi)間相似性（inter-classsimilarity）難點(diǎn)之二：計(jì)算量大一幅圖像中像素個(gè)數(shù)多，目前每秒約產(chǎn)生300G像素的圖像/視頻數(shù)據(jù)。 -Google圖片搜索中已有幾十億幅圖像 -全球數(shù)字照相機(jī)一年產(chǎn)生180億張以上的圖片（2004年） -全球一年銷(xiāo)售約3億部照相手機(jī)（2005）人的物體識(shí)別能力是強(qiáng)大的 -靈長(zhǎng)類(lèi)動(dòng)物約使用大腦皮層的一半來(lái)處理視覺(jué)信息[FellemanandvanEssen1991] -可以識(shí)別3,000-30,000種物體 -物體姿態(tài)可允許30度以上的自由度。難點(diǎn)之二：計(jì)算量大一幅圖像中像素個(gè)數(shù)多，目前每秒約產(chǎn)生300難點(diǎn)之三：如何在小樣本條件下學(xué)習(xí)難點(diǎn)之三：如何在小樣本條件下學(xué)習(xí)物體識(shí)別方法檢測(cè)(detection)vs.不檢測(cè)表示(representation) -顏色、紋理、邊緣、梯度、局部特征、深度、運(yùn)動(dòng)等等。分類(lèi)(classificationorcategorization) -K近鄰（KNN） -神經(jīng)網(wǎng)絡(luò)（NN） -支持向量機(jī)（SVM） -Boosting(Adaboost等) -隱馬爾科夫模型（HMM） -其他生成學(xué)習(xí)（Generativelearning）vs.判別學(xué)習(xí)（discriminativelearning）物體識(shí)別方法檢測(cè)(detection)vs.不檢測(cè)生成學(xué)習(xí)生成學(xué)習(xí)vs.判別學(xué)習(xí)兩種分類(lèi)器學(xué)習(xí)模式生成學(xué)習(xí)

---目標(biāo)是學(xué)習(xí)到符合訓(xùn)練數(shù)據(jù)的類(lèi)別模型 ---如EM算法(MaximumLikelihood)判別學(xué)習(xí)在訓(xùn)練階段即考慮類(lèi)別之間的判別信息包括SupportVectorMachines(SVMs),Boosting,MinimumClassificationError(MCE),MaximumMutualInformation(MMI),LagerMargin(LM),andetc.判別學(xué)習(xí)算法比生成學(xué)習(xí)算法表現(xiàn)出更好的分類(lèi)性能。生成學(xué)習(xí)vs.判別學(xué)習(xí)兩種分類(lèi)器學(xué)習(xí)模式判別學(xué)習(xí)方法判別學(xué)習(xí)方法第二節(jié)人臉檢測(cè)與識(shí)別第二節(jié)人臉檢測(cè)與識(shí)別131.物體檢測(cè)Car/non-carClassifierYes,car.No,notacar.基于二分類(lèi)器131.物體檢測(cè)Car/non-carClassifie14物體檢測(cè)Car/non-carClassifier在復(fù)雜背景下，通過(guò)滑動(dòng)窗口（slidingwindows）搜索感興趣的物體。14物體檢測(cè)Car/non-carClassifier在復(fù)物體檢測(cè)Step1.獲取訓(xùn)練數(shù)據(jù)Step2.提取特征Step3.訓(xùn)練分類(lèi)器Step4.利用分類(lèi)器進(jìn)行檢測(cè)物體檢測(cè)Step1.獲取訓(xùn)練數(shù)據(jù)人臉檢測(cè)（Facedetection）Viola-Jones人臉檢測(cè)算法（基于AdaBoost）人臉檢測(cè)（Facedetection）Viola-JoneViola-Jones人臉檢測(cè)算法(2004)Viola-Jones人臉檢測(cè)算法(2004)濾波器設(shè)計(jì)濾波器設(shè)計(jì)AdaboostAdaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類(lèi)器(弱分類(lèi)器)，然后把這些弱分類(lèi)器集合起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終分類(lèi)器(強(qiáng)分類(lèi)器)。其算法本身是通過(guò)改變數(shù)據(jù)分布來(lái)實(shí)現(xiàn)的，它根據(jù)每次訓(xùn)練集之中每個(gè)樣本的分類(lèi)是否正確，以及上次的總體分類(lèi)的準(zhǔn)確率，來(lái)確定每個(gè)樣本的權(quán)值。將修改過(guò)權(quán)值的新數(shù)據(jù)集送給下層分類(lèi)器進(jìn)行訓(xùn)練，最后將每次訓(xùn)練得到的分類(lèi)器最后融合起來(lái)，作為最后的決策分類(lèi)器。使用adaboost分類(lèi)器可以排除一些不必要的訓(xùn)練數(shù)據(jù)特徵，并將關(guān)鍵放在關(guān)鍵的訓(xùn)練數(shù)據(jù)上面。

AdaboostAdaboost是一種迭代算法，其核心思想是BoostingExampleBoostingExampleBoostingExampleBoostingExampleBoostingExampleBoostingExampleBoostingExampleBoostingExampleBoostingExampleBoostingExampleBoostingExampleBoostingExampleAdaboost學(xué)習(xí)目標(biāo)：選擇能夠最有效地區(qū)分人臉與非人臉的矩形特征及其閾值A(chǔ)daboost學(xué)習(xí)目標(biāo)：選擇能夠最有效地區(qū)分人臉與非人臉的Adaboost組合弱分類(lèi)器（weaklearners），得到更為精確的集成分類(lèi)器（ensembleclassifier）。弱分類(lèi)器：性能僅比隨機(jī)分類(lèi)稍好根據(jù)矩形特征定義弱分類(lèi)器:Adaboost組合弱分類(lèi)器（weaklearners），Adaboost算法步驟初始給每個(gè)訓(xùn)練樣本以同等權(quán)重循環(huán)執(zhí)行以下步驟：根據(jù)當(dāng)前加權(quán)訓(xùn)練集，選擇最佳弱分類(lèi)器提升被當(dāng)前弱分類(lèi)器錯(cuò)分的訓(xùn)練樣本的權(quán)重按照各弱分類(lèi)器分類(lèi)精度對(duì)其加權(quán)，然后將各個(gè)弱分類(lèi)器形成線(xiàn)性組合，得到最終分類(lèi)器。Adaboost算法步驟初始給每個(gè)訓(xùn)練樣本以同等權(quán)重Viola-Jones算法中的AdaBoost每一次boosting迭代如下:評(píng)價(jià)每一個(gè)樣本上的每一種矩形特征為每一種矩形特征選擇最佳分類(lèi)閾值選擇最優(yōu)的矩形特征及其閾值組合改變樣本權(quán)重計(jì)算復(fù)雜度:O(MNT)

M：特征數(shù)，N：樣本數(shù),T：閾值數(shù)Viola-Jones算法中的AdaBoost每一次boos目標(biāo)檢測(cè)要求和識(shí)別辦法課件級(jí)聯(lián)分類(lèi)器（CascadingClassifiers）級(jí)聯(lián)分類(lèi)器（CascadingClassifiers）訓(xùn)練級(jí)聯(lián)分類(lèi)器訓(xùn)練級(jí)聯(lián)分類(lèi)器Viola-Jones檢測(cè)算法-總體流程用5K正樣本，350M反樣本學(xué)習(xí)得到38層（共使用6060個(gè)特征）級(jí)聯(lián)分類(lèi)獲得實(shí)時(shí)性Viola-Jones檢測(cè)算法-總體流程用5K正樣本，350Viola-Jones人臉檢測(cè)結(jié)果Viola-Jones人臉檢測(cè)結(jié)果Viola-Jones人臉檢測(cè)結(jié)果Viola-Jones人臉檢測(cè)結(jié)果Viola-Jones人臉檢測(cè)結(jié)果Viola-Jones人臉檢測(cè)結(jié)果2.人臉識(shí)別（facerecogntion）Zhaoetal.,FaceRecogniton:aliteraturesurvey.ACMComputingsurvey,20032.人臉識(shí)別（facerecogntion）ZhaoeFaceRecognition:2-Dand3-DFaceRecognition:2-Dand3-D圖像=像素的集合將由n個(gè)像素構(gòu)成的圖像視為n維空間中的點(diǎn)圖像=像素的集合將由n個(gè)像素構(gòu)成的圖像視為n維空間中的點(diǎn)最近鄰分類(lèi)器最近鄰分類(lèi)器Eigenfaces使用主成分分析技術(shù)（PrincipleComponentAnalysis,PCA)減少維數(shù)Eigenfaces使用主成分分析技術(shù)（Principle主成分分析(PCA,K-L變換)降低特征向量的維數(shù)獲得最主要特征分量，減少相關(guān)性；避免維數(shù)災(zāi)難主成分分析(PCA,K-L變換)降低特征向量的維數(shù)主成分分析(PCA,K-L變換)主成分分析(PCA,K-L變換)主成分分析(PCA,K-L變換)主成分分析(PCA,K-L變換)Eigenfaces學(xué)習(xí)1.計(jì)算訓(xùn)練圖像的均值和協(xié)方差矩陣.2.計(jì)算協(xié)方差矩陣的特征值，取前k個(gè)最大特征值對(duì)應(yīng)的特征矢量.3.將圖像投影到k-維特征空間（Eigenspace）。識(shí)別1.將測(cè)試圖像投影到Eigenspace.2.在特征圖像上執(zhí)行分類(lèi).Eigenfaces學(xué)習(xí)Eigenfaces:訓(xùn)練圖像Eigenfaces:訓(xùn)練圖像EigenfacesEigenfacesPCA方法的不足可能損失重要的細(xì)節(jié)信息方差最小的方向也可能是重要的沒(méi)有考慮判別任務(wù)希望得到最具判別能力的特征但判別能力最佳并不等同于方差最大PCA方法的不足可能損失重要的細(xì)節(jié)信息Fisherfaces：類(lèi)特定的線(xiàn)性投影Fisherfaces：類(lèi)特定的線(xiàn)性投影PCA&Fisher的線(xiàn)性判別函數(shù)PCA&Fisher的線(xiàn)性判別函數(shù)PCA&Fisher的線(xiàn)性判別函數(shù)PCA&Fisher的線(xiàn)性判別函數(shù)Fisherfaces示例（ORLDatabase）Fisherfaces示例（ORLDatabase）基于eigenfaces/fisherfaces的識(shí)別訓(xùn)練：-根據(jù)訓(xùn)練圖像，利用PCA或Fisher方法確定投影矩陣-將每個(gè)訓(xùn)練圖像投影到子空間（eigenspace或fisherspace）。識(shí)別：-將測(cè)試圖像投影到eigenspace或fisherspace。-子空間中距離測(cè)試圖像最近的訓(xùn)練圖像對(duì)應(yīng)的類(lèi)別為識(shí)別結(jié)果?；趀igenfaces/fisherfaces的識(shí)別訓(xùn)練：Project5：人臉合成平均人臉平均就是美Project5：人臉合成平均平均Project5：人臉合成Project5：人臉合成Project5：人臉合成Project5：人臉合成Project5：人臉合成Project5：人臉合成Project5：人臉合成Project5：人臉合成Project5：人臉合成FantaMorph，人臉合成軟件Project5：人臉合成FantaMorph，人臉合成軟件Project5：人臉合成FantaMorph，人臉合成軟件手動(dòng)標(biāo)定人臉Project5：人臉合成FantaMorph，人臉合成軟件Project5：人臉合成FantaMorph，人臉合成軟件手動(dòng)標(biāo)定人臉Project5：人臉合成FantaMorph，人臉合成軟件Project5：人臉合成FantaMorph，人臉合成軟件產(chǎn)生多張合成圖像，隨機(jī)或者平均輸出Project5：人臉合成FantaMorph，人臉合成軟件Project5：人臉合成Task：利用人臉檢測(cè)算法，將上述過(guò)程改為自動(dòng)完成，實(shí)現(xiàn)自動(dòng)人類(lèi)合成。Project5：人臉合成Task：利用人臉檢測(cè)算法，將上述第三節(jié)深度學(xué)習(xí)導(dǎo)引第三節(jié)深度學(xué)習(xí)導(dǎo)引第三節(jié)深度學(xué)習(xí)導(dǎo)引第三節(jié)深度學(xué)習(xí)導(dǎo)引第三節(jié)深度學(xué)習(xí)導(dǎo)引第三節(jié)深度學(xué)習(xí)導(dǎo)引第三節(jié)深度學(xué)習(xí)導(dǎo)引第三節(jié)深度學(xué)習(xí)導(dǎo)引第三節(jié)深度學(xué)習(xí)導(dǎo)引第三節(jié)深度學(xué)習(xí)導(dǎo)引第三節(jié)深度學(xué)習(xí)導(dǎo)引第三節(jié)深度學(xué)習(xí)導(dǎo)引第三節(jié)深度學(xué)習(xí)導(dǎo)引第三節(jié)深度學(xué)習(xí)導(dǎo)引第三節(jié)深度學(xué)習(xí)導(dǎo)引第三節(jié)深度學(xué)習(xí)導(dǎo)引神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的大量參數(shù)神經(jīng)網(wǎng)絡(luò)的大量參數(shù)神經(jīng)網(wǎng)絡(luò)的表現(xiàn)能力神經(jīng)網(wǎng)絡(luò)的表現(xiàn)能力神經(jīng)網(wǎng)絡(luò)的表現(xiàn)能力神經(jīng)網(wǎng)絡(luò)的表現(xiàn)能力神經(jīng)網(wǎng)絡(luò)的表現(xiàn)能力神經(jīng)網(wǎng)絡(luò)的表現(xiàn)能力神經(jīng)網(wǎng)絡(luò)的表現(xiàn)能力神經(jīng)網(wǎng)絡(luò)的表現(xiàn)能力卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積層的作用卷積神經(jīng)網(wǎng)絡(luò)卷積層的作用卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)池化層的作用卷積神經(jīng)網(wǎng)絡(luò)池化層的作用卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)激活函數(shù)卷積神經(jīng)網(wǎng)絡(luò)激活函數(shù)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)Softmax層的作用卷積神經(jīng)網(wǎng)絡(luò)Softmax層的作用卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的預(yù)處理卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的預(yù)處理卷積神經(jīng)網(wǎng)絡(luò)的實(shí)例Alexnet卷積神經(jīng)網(wǎng)絡(luò)的實(shí)例Alexnet卷積神經(jīng)網(wǎng)絡(luò)的實(shí)例Alexnet卷積神經(jīng)網(wǎng)絡(luò)的實(shí)例Alexnet卷積神經(jīng)網(wǎng)絡(luò)的實(shí)例FCN網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)的實(shí)例FCN網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)的實(shí)例FCN網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)的實(shí)例FCN網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)的實(shí)例FCN網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)的實(shí)例FCN網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練