AI遮天传 DL-深度学习在计算机视觉中的应用_深度学习中的感兴趣区域-优快云博客

本文链接：https://blog.youkuaiyun.com/2401_84182222/article/details/138853341

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

本文只做一些在计算机视觉中应用的简单介绍，童叟无欺。

一、图像分类

a. 通用图像分类

将不同图片按照内容进行分类

b. 特定图像分类

特定识别人脸、某种动物、汽车等

1.1 人脸验证

下面是两种典型的人脸识别损失函数

1.1.1 DeepID2

上图左侧两个人比较像，都是侧脸，所以箭头短一点，下方一个是侧脸一个是正脸，而且光照也不相同，所以箭头长一点。我们希望经过训练后，上方的两张图片离得远一点(因为这是两个不同的人)，而下方的图片近一些(同一个人)。

目标：当i，j身份相同时， $||f(x_{i})-f(x_{j}))||_{2}^{2}$ 足够小，否则 $||f(x_{i})-f(x_{j}))||_{2}^{2}>a$ 其中 $a>0$

损失： $L(x_{i},x_{j},y_{ij},\theta )=\left{\begin{matrix} \frac{1}{2}||f(x_{i})-f(x_{j}))||_{2}^{2} & ,y_{ij}=1\\frac{1}{2}max\begin{Bmatrix} 0,, a-||f(x_{i})-f(x_{j}))||_{2}^{2} \end{Bmatrix} & ,else\end{matrix}\right.$

（一个minibatch至少包含2个样本， $y_{ij}$ 为标签。）

1.1.2 FaceNet

随计算一个人得图片做为Anchor，然后选择和他同一个人的图片和不同的人的图片做训练。其它同上。

目标： $||f(x_{i}{a})-f(x_{i}{p}))||_{2}{2}+a<||f(x_{i}{a})-f(x_{i}{n}))||_{2}{2}$ 其中 a>0

损失： $\sum_{i}{N}[||f(x_{i}{a})-f(x_{i}{p}))||_{2}{2}-||f(x_{i}{a})-f(x_{i}{n}))||_{2}^{2}+a]_{+}$

（一个minibatch至少包含3个样本）

1.1.3 人脸验证的其它损失函数

SphereFace: Deep Hypersphere Embedding for Face Recognition, CVPR 2017
NormFace: L2 Hypersphere Embedding for Face Verification, ACM MM 2017
ArcFace: Additive Angular Margin Loss for Deep Face Recognition, CVPR 2019

二、物体检测

任务：找出图片中的物体和每个物体所在的位置。

怎么做这个任务？

找到包含物体的区域，用一个多分类器进行物体分类

怎么知道哪些区域包含物体？

找到很多候选区域，用一个二分类器进行区域分。

2.1 候选区域(Region Proposals)

指可能包含物体的区域、感兴趣区域（Region of interest, ROI）。

挑选候选区域的多种选择

2.1.1 (C+1)-类的分类

上面提到简单检测物体的思路：

找到很多候选区域，用一个二分类器进行区域分类。
找到包含物体的区域，用一个多分类器(Softmax、SVM等)进行物体分类。

另外一种方法：

设有C个类别，加一个“背景”类
- 对每个区域用一个多分类器进行(C+1)-类的分类
- 对每个区域用(C+1)个二分类器进行分类

2.1.2 R-CNN

把每个候选框的图片剪贴出来，变成相同尺寸，经过一个同样的CNN进行一个二分类。这里用的上面提到的C+1类方法。SVM解决二分类问题。至于Bbox reg 用于解决回归问题，坐标定位。

步骤：

训练(或下载)ImageNet分类模型(如AlexNet)
针对检测微调(fine-tune)
提取特征
每个类别训练一个二分类SVM来为候选区域的特征进行分类
对每个类别，训练一个线性回归模型，将特征映射到一组偏移量，用以校正那些稍微有些误差的候选区域

R-CNN有什么问题吗？

测试慢

需要对每个ROI跑一个完整的CNN前向过程。

非“端到端”过程

找候选区域， SVM和回归器基于CNN的特征进行处理。
SVM和回归器不能更新CNN的特征。

更好的想法？

先在整张图上跑一个CNN的前向过程，然后将每个ROI映射到特征图上。

2.1.3 Fast R-CNN

即先把整张图做一个神经网络，先把特征取好，想要什么特征就取什么特征。

感兴趣区域池化(RoI Pooling)

可见上面提取的图片大小是不同的，这里做一下池化。

结果：

Fast R-CNN问题：

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

67216745)]

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取