智能網(wǎng)聯(lián)汽車裝調(diào)與測試（彩色版配實訓(xùn)工單）課件 任務(wù)4.2 目標(biāo)檢測深度學(xué)習(xí)數(shù)據(jù)集制作

任務(wù)4.2目標(biāo)檢測深度學(xué)習(xí)數(shù)據(jù)集制作學(xué)習(xí)目標(biāo)CONTENTE01知識目標(biāo):了解深度學(xué)習(xí)技術(shù)在環(huán)境感知中的應(yīng)用。02學(xué)習(xí)目標(biāo)CONTENTE能力目標(biāo):能讀懂VOC、COCO等常用深度學(xué)習(xí)數(shù)據(jù)集的文件結(jié)構(gòu)，并能使用標(biāo)注工具完成數(shù)據(jù)的標(biāo)注，制作訓(xùn)練數(shù)據(jù)集01深度學(xué)習(xí)認(rèn)知深度學(xué)習(xí)數(shù)據(jù)集制作02學(xué)習(xí)內(nèi)容CONTENTE01 深度學(xué)習(xí)認(rèn)知任務(wù)4.2目標(biāo)檢測深度學(xué)習(xí)數(shù)據(jù)集制作傳統(tǒng)視覺深度學(xué)習(xí)認(rèn)知計算機是不認(rèn)識圖像的,只認(rèn)識數(shù)字0和1。為了使計算機能夠“理解”圖像，從而具有真正意義上的“視覺”，于是我們通過從圖像中提取有用的數(shù)據(jù)或信息，得到圖像的“非圖像表示或描述”，如數(shù)值、向量和符號等，這一過程就是特征提取，而提取出來的這些“非圖像表示或描述”就是特征。傳統(tǒng)視覺深度學(xué)習(xí)認(rèn)知上述的特征提取一般包括點、線，圖像分割，光流，機器學(xué)習(xí)特征，SVM行人車輛識別等要素提取。有了這些數(shù)值或向量形式的特征，再通過建立特征庫，我們就可以通過訓(xùn)練過程教會計算機如何懂得這些特征，從而使計算機具有識別圖像的本領(lǐng)。目前圖像特征的提取主要有兩種方法：傳統(tǒng)圖像特征提取方法和深度學(xué)習(xí)方法。傳統(tǒng)的特征提取方法：基于圖像本身的特征進行提??；深度學(xué)習(xí)方法：基于樣本自動訓(xùn)練出區(qū)分圖像的特征分類器；傳統(tǒng)的圖像特征提取一般分為三個步驟：預(yù)處理、特征提取、特征處理；然后在利用機器學(xué)習(xí)等方法對特征進行分類等操作。傳統(tǒng)視覺深度學(xué)習(xí)認(rèn)知預(yù)處理：預(yù)處理的目的主要是排除干擾因素，突出特征信息；主要的方法有：圖片標(biāo)準(zhǔn)化：調(diào)整圖片尺寸；圖片歸一化：調(diào)整圖片重心為0；特征提?。豪锰厥獾奶卣髯涌臻g，完成對圖像的特征提取。涉及算法主要有：Harris、SIFT、SURF、LBF、HOG、DPM；特征處理：主要目的是為了排除信息量小的特征，減少計算量等。常見的特征處理方法是降維，常見的降維方法有：主成分分析、奇異值分解、線性判別分析；傳統(tǒng)視覺深度學(xué)習(xí)認(rèn)知傳統(tǒng)視覺算法有著自身的一些瓶頸，無論單目攝像頭還是多目攝像頭，傳統(tǒng)視覺算法都是基于人為特征提取得到樣本特征庫去識別計算。當(dāng)自動駕駛車輛行駛過程中如發(fā)現(xiàn)特征庫沒有該樣本或特征庫樣本不準(zhǔn)確，都會導(dǎo)致傳統(tǒng)視覺算法無法識別，另外傳統(tǒng)視覺算法還有在復(fù)雜場景下分割不佳等情況。因此，基于人為特征提取的傳統(tǒng)視覺算法具有性能瓶頸，無法完全滿足自動駕駛的目標(biāo)檢測。傳統(tǒng)視覺深度學(xué)習(xí)認(rèn)知深度學(xué)習(xí)(DL,Deep

Learning)是一類模式分析方法的統(tǒng)稱，屬于機器學(xué)習(xí)(ML,MachineLearning)領(lǐng)域中一個新的研究方向。深度學(xué)習(xí)通過學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，能夠讓機器像人一樣具有分析、學(xué)習(xí)能力，可識別文字、圖像和聲音等數(shù)據(jù)，從而實現(xiàn)人工智能(AI,ArtificialIntelligence)。定義深度學(xué)習(xí)認(rèn)知深度學(xué)習(xí)在圖像領(lǐng)域的幾大任務(wù)：圖像分類圖像分類任務(wù)目的是判斷圖像中包含物體的類別，如果期望判別多種物體則稱為多目標(biāo)分類。需要注意的是，基本的圖像分類任務(wù)并不要求給出物體所在位置，也不需要判斷含有物體的數(shù)量。分類深度學(xué)習(xí)認(rèn)知目標(biāo)檢測確的定位出圖像中某一物體類別信息和所在位置分類深度學(xué)習(xí)認(rèn)知實例分割不僅需要將圖像中所有像素進行分類，還需要區(qū)分相同類別中不同個體。不需要對每個像素進行標(biāo)記分類深度學(xué)習(xí)認(rèn)知全景分割語義分割和實例分割的結(jié)合，即要對所有目標(biāo)都檢測出來，又要區(qū)分出同個類別中的不同實例。分類深度學(xué)習(xí)認(rèn)知深度估計它的目的就是要去預(yù)測平面圖片中每個像素的深度，簡單地說，就是每個像素離你有多遠(yuǎn)。一旦有了精確的深度估計，你的無人車就能很大程度上做到避撞了分類深度學(xué)習(xí)認(rèn)知基于深度學(xué)習(xí)的計算機視覺，應(yīng)用于無人駕駛的視覺感知系統(tǒng)中，主要分為四大塊：動態(tài)物體檢測（Dynamic

Object

Detection）通行空間（Free

Space）車道線檢測（Lane

Detection）靜態(tài)物體檢測（Static

Object

Detection）主要從需求、難點、實現(xiàn)三個方面對每項感知部分做剖析。上述檢測的難度從難到易排序：DOD>FS=LD>SOD。應(yīng)用深度學(xué)習(xí)認(rèn)知靜態(tài)物體檢測（Static

Object

Detection）對交通紅綠燈、交通標(biāo)志等靜態(tài)物體的檢測識別；應(yīng)用深度學(xué)習(xí)認(rèn)知動態(tài)物體檢測（Dynamic

Object

Detection）對車輛（轎車、卡車、電動車、自行車）、行人等動態(tài)物體的3D識別與跟蹤（ID)。應(yīng)用深度學(xué)習(xí)認(rèn)知通行空間（Free

Space）對車輛行駛的安全邊界（可行駛區(qū)域）進行劃分，主要對車輛、普通路邊沿、側(cè)石邊沿、沒有障礙物可見的邊界、未知邊界進行劃分。應(yīng)用深度學(xué)習(xí)認(rèn)知、車道線檢測（Lane

Detection）對各類車道線（單側(cè)/雙側(cè)車道線實線、虛線、雙線）進行檢測，還包括線型的顏色（白色/黃色/藍(lán)色）以及特殊的車道線（匯流線、減速線