跟随技术的脚步-linolzhang的专栏

一. 应用背景      在安防大背景下，对敏感区域人流量的管控是一个重要的课题，防止人群骚乱、踩踏现象的发生，对非预期的人员汇聚进行预警等等，最常用的方法是检测到每个目标，然后借助 Perspective 矩阵完成到实际位置的映射，当然，在目标很难检测的情况下（密度极大、遮挡严重），基于回归的方法就派上了用场。      本节主要讲基于深度学习的回归方法来实现人群密度检测。二. 人群密度之 Cr

一. 提出背景       目标：给定一段视频，通过分析，得到里面人员的动作行为。       问题：可以定义为一个分类问题，通过对预定的样本进行分类训练，解决一个输入视频的多分类问题。       这里提出的问题是简单的图片（视频）分类问题，该问题的前提条件是：场景目标为单人，并且占据图片比较大的比例，如下图所示：               还有一类问题是基于行人检测，去估计行人的姿态和动作，

一.提出背景       在基于CNN的方法提升到一个很高的准确度之后，效率又成为人们所关注的话题，目前兼备准确度和效率的方法包括 SSD、YOLO v2，其检测效率通常能到达 30-100FPS，而这里面的代价就是上万块的显卡，这个代价是相当高的。当下视频获取设备（CCTV摄像头）成本通常是几百块，而采用上述分类算法，其成本可能是几千，这就是视频获取和视频分析之间的巨大鸿沟。       基于此

一. 提出背景       论文：Densely Connected Convolutional Networks 【点击下载】       Caffe代码：【Github】       受 Highway、ResNet 等算法思路的启发，提出一种跨层的连接网络，思路非常简单，直接上图：        二. 算法思路       作者这个提法比较大胆，每个层的 input 包括之前所有层的信息，通

一. 提出背景       论文：Feature Pyramid Networks for Object Detection  【点击下载】       在传统的图像处理方法中，金字塔是比较常用的一种手段，像 SIFT 基于金字塔做了多层的特征采集，对于深度网络来讲，其原生的卷积网络特征决定了天然的金字塔结构。深度网络在目标检测领域的应用 比如早期的 Fast RCNN，Faster RCNN 都

@改进1：RFCN       论文：R-FCN: Object Detection via Region-based Fully Convolutional Networks    【点击下载】       MXNet代码：【Github】一. 背景介绍       RCNN 在目标检测上取得了很大的成功，比如 SPPnet、Fast R-CNN、Faster R-CNN 等，这些方法的典型特征

一. 源起于Faster       深度学习于目标检测的里程碑成果，来自于这篇论文：       Ren, Shaoqing, et al. “Faster R-CNN: Towards real-time object detection with region proposal networks.” Advances in Neural Information Processing Syst

一. 相关滤波算法总结       作者首先分析了影响 相关滤波算法 效率的几个原因：1）Model Size (模型大小）     包括两个方面：         － 模型层数，对应多分辨率 Sample，比如多层 CNN         － 特征维度，对应庞大的 HOG or CNN特征图      这里的效率影响是显而易见的，层数或特征越多，表现力越丰富，计算量也

一. 何为相关滤波？       Correlation Filter 最早应用于信号处理，用来描述两个信号之间的相关性，或者说相似性（有点像早期的概率密度），先来看定义：       对于两个数据 f 和 g，则两个信号的相关性（correlation）为：                    其中 f∗ 表示 f 的 复共轭，这是和卷积的区别。

一. 简介       选择这篇文章的原因在于能实现 100帧的效果，对于跟踪来讲，大多数应用场景需要实时跟踪，应该说仅仅实时跟踪还不够，还需要计算资源来做 视频解码、检测、比对 等多个工作。       这篇文章 2016年来自 Stanford 大学的 David Held，通过 CNN直接回归的方式得到目标位置。       论文下载：Learning to Track

一. 跟踪进展（Advances in Visual Tracking）       作者在前面的机器学习文章中也讲到了 Tracking，感兴趣的童鞋可以 Review一下：机器学习实践系列之5 - 目标跟踪       前面只是基于传统方法的跟踪，这一篇我们 Focus 在深度学习上。       关注跟踪算法的进展，只需要 Follow VOT Challenge 就可以了，Vi

一. Mask-RCNN 介绍       上篇文章介绍了 FCN，这篇文章引入个新的概念 Mask-RCNN，看着比较好理解哈，就是在 RCNN 的基础上添加 Mask。       Mask-RCNN 来自于年轻有为的 Kaiming 大神，通过在 Faster-RCNN 的基础上添加一个分支网络，在实现目标检测的同时，把目标像素分割出来。       论文下载：Mask R-CN

一. 图像语义分割       传统的图像分割方法主要包括以下几种：1）基于边缘检测2）基于阈值分割      比如直方图，颜色，灰度等3）水平集方法        这里我们要说的是语义分割，什么是语义分割呢？先来看张图：               将目标按照其分类进行像素级的区分，比如区分上图的 摩托车 和 骑手，这就是语义分割，语义分割赋予了场景理

一. ResNeXt 的 Block 改进       MSRA 的 KaiMing 转战Facebook的又一力作，大牛的神来之笔：论文下载：Aggregated Residual Transformations for Deep Neural Networks代码地址：【Github】       ResNet、Inception 已经成为目前网络的前进方向，堆叠的Bl

前面我们对常用的经典网络进行了介绍，可以查看前面文章：浅入浅出TensorFlow 6 - 实现经典网络       随着网络越来越深，大家发现，仅仅靠 BN、ReLU、DropOut 等 Trick无法解决收敛问题，相反，网络的加深带来参数的增加。       基于之前的实践经验，我们知道：网络并不是越深越好，一方面过多的参数容易导致过拟合（当然样本足够多可以一定程度上解决这个问题）；另

度量学习 是指 距离度量学习，Distance Metric Learning，简称为 DML，做过人脸识别的童鞋想必对这个概念不陌生，度量学习是Eric Xing在NIPS 2002提出。       这并不是个新词，说的直白一点，metric learning 是通过特征变换得到特征子空间，通过使用度量学习，让类似的目标距离更近（PULL），不同的目标距离更远（push），也就是说，度量学

一. CNN特征提取       通过上一篇文章的学习，我们已经知道，我们训练的目的在于寻找一种特征映射方法，使得映射后的特征 “类内距离最小，类间距离最大”，这种特征映射 可以看作是 空间投影，选择一组基，得到基于这组基的特征变换，与 PCA 有点像。       这一篇我们讲的就是基于 CNN的特征提取，特征提取过程也就是训练过程，训练结果就是 CNN 的参数。       以 T

一. 问题的提出       Person Re-ID 全称是 Person Re-Identification，又称为 行人重检测 or 行人再识别，直观上可以通过两种思路进行比对，一种是 通过 静态图像（still-image）进行特征比对，另一种是通过视频的时序特征（temporal）进行 Video Re-Id。       不管是采用 图像特征比对的方法 还是 结合时序特征比

一. 对抗网络的由来       对抗网络 是个新词，全名叫 生成式对抗网络（Generative adversarial nets），就像深度学习一样，发明时间并不长。       Ian Goodfellow（生成对抗性网络的发明者）定义了 对抗网络；       Yann LeCun（三巨头之一）在Quora上直播时表示生成对抗性网络近期人工智能最值得期待的算法之一；

一. 常用网络       深度学习相关的几个比较著名的网络，AlexNet、VGG、GoogleNet、ResNet。模型    AlexNet           VGG         GoogleNet      ResNet     时间  2012  2014

一. 久违的新版本       YOLO 问世已久，不过风头被SSD盖过不少，原作者自然不甘心，YOLO v2 的提出给我们带来了什么呢？       先看一下其在 v1的基础上做了哪些改进，直接引用作者的实验结果了：      条目不少，除了 Anchor Boxes没有用，其他的该加的都加上了。我们一个一个来看： A）Batch NormB）Hi

       Faster-RCNN 虽然在效果上做到了 State-Of-The-Art，但效率问题无法做到实时，YOLO 在此基础上提出了改进：一. Region Proposal       Region Proposal 过程的优点是能够初步检测有效的 Candidate，缺点是带来效率的降低（Faster构造了两级网络）。       YOLO去掉了 Faster的 RPN ...

•   RCNN        RCNN（Regions with CNN features）是将CNN方法应用到目标检测问题上的一个里程碑，由年轻有为的RBG大神提出，借助CNN良好的特征提取和分类性能，通过RegionProposal方法实现目标检测问题的转化。        算法可以分为四步：        1）候选区域选择        Region Proposal是一类传统的区域提取方

AI技术研究的兴起，伴随着两种最直观的思维技巧，即遗传算法与神经网络，这是对生物学研究最直观的技术抽象。深度学习的前身就是神经网络，这个80年代灵光乍现的技术，在那一波人工智能的大潮驱使下，带着人们对于未来AI时代的憧憬，迅速蔓延，一时风头无两，和今天深度学习的火热几乎如出一辙。        某乎友的观点给出了这两种技术的鲜明对比，如同麻汁与芝麻酱，换汤不换药，所谓深度在于把二两变成了三斤，

卷积神经网络（ConvolutionalNeural Networks，简称CNN）提出于20世纪60年代，由Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现。        CNN是目前深度学习最大的一个流派，其应用优点在于避免了对图像的复杂前期预处理，可以直接处理原始图像。CNN核心在于“卷积”，传统机器学习中LBP、HOG等特征都可以看作是卷积的一种特殊形式，