24、高级卷积神经网络学习与应用

高级卷积神经网络学习与应用

1. 图像多目标标注

在训练深度学习模型以检测多个对象时，需要比简单分类提供更多信息。对于每个对象，通过标注过程提供分类和图像内的坐标，这与简单图像分类中的标记不同。

在简单分类中，标注数据集中的图像就是一项艰巨任务。给定一张图片，网络必须在训练和测试阶段提供正确的分类。在标记时，网络为每张图片确定正确的标签，但并非每个人对所描绘图像的理解都相同。例如 ImageNet 数据集的创建者就采用了来自 Amazon Mechanical Turk 众包平台的多个用户提供的分类。

使用边界框标注图像时，同样依赖多人的工作。标注不仅要为图片中的每个对象标记，还要确定包围每个对象的最佳框。这两项任务使标注比标记更复杂，也更容易产生错误结果。正确进行标注需要更多人达成共识，以确保标注的准确性。

有一些开源软件可帮助进行图像检测（以及后续将讨论的图像分割）的标注，以下是两个特别有效的工具：
- LabelImg ：由 TzuTa Lin 创建（https://github.com/tzutalin/labelImg ），教程见 https://www.youtube.com/watch?v=p0nR2YsCY_U 。
- LabelMe ：（https://github.com/wkentaro/labelme ）是一个强大的图像分割工具，提供在线服务。
- FastAnnotationTool ：基于计算机视觉库 OpenCV（https://github.com/christopher5106/Fas