Artificial Intelligence Forum Hoje volumosa, bens duros, é claro, mas há creme seca da cultura. Patrocinado pela Universidade da Academia Chinesa de Ciências, Academia Chinesa de Ciências da Universidade contratante estudante, operação de leitura núcleo como um parceiro de mídia designado de "AI disse que o futuro · Juventude Fórum Acadêmico" terceiro período "visão computacional" concerto foi realizado a partir de 24 março de 2019 na tarde da Academia Chinesa de Ciências . Academia Chinesa de Ciências, Dr. Zhang Shifeng trazer-lhe o relatório "algoritmo de detecção de objeto universal baseado na exploração profundidade de aprendizagem comparativa."
Zhang Shifeng, Academia Chinesa de Ciências Instituto de Automação 2015 reta Bo, Li Ziqing professor pesquisador, direção de pesquisa para a profundidade de detecção de objetos baseados em aprendizagem, incluindo a detecção de objeto genérico, detecção de face, detecção de pedestres. Ele publicou 14 trabalhos, dos quais o primeiro autor de 11 artigos, incluindo três CVPR, IJCV, ICCV, ECCV, IJCAI, AAAI e assim por diante. Na tese de investimento 7, na Patente n examinada 4, pela atribuição CCF-CV Acadêmico de ponta, bolsas Baidu, bolsas de estudo nacionais, bolsas Tang Lixin, bolsas BHP Billiton, bolsa escalada, bom aluno, a detecção internacional rosto concurso vice-campeão, o melhor papel do aluno e outras honrarias.
conteúdo do relatório: o algoritmo de detecção geral objeto atual com base na profundidade de aprendizagem pode ser dividido em duas categorias: uma etapa e em duas etapas detectores de detectores. Um método passo tem maior taxa de detecção, mas não tão boa como a precisão de detecção em duas etapas do detector. O método de dois passos tem detecção de alta precisão, mas a detecção é menos eficiente do que um passo de processo. A fim de permitir que o detector para obter um passo a precisão da detecção de dois passos da detector, mantendo uma eficiência de detecção alta, estamos um passo e detector de duas etapas para explorar uma série de propostas RefineDet, SRN, série ISRN de algoritmos . A ação será uma visão geral de algoritmos de detecção de objeto genérico, bem como nossos próprios série de trabalhos relacionados.
Academia Chinesa de Ciências Instituto de Automação Dr. Zhang Shifeng principais conteúdos do relatório incluem a introdução de detecção de objetos, a discussão de doze passos e as perspectivas de exploração desenvolvimento de detecção de contraste.
Dr. Zhang Shifeng introduz a definição de detecção de objetos, o objeto é simplesmente para determinar se há um interesse em uma determinada imagem, se houver, vai lhe dar todas as categorias o objeto de interesse (O) e localização (onde). Em seguida, a aplicação mencionado detecção de objetos, tais como detecção de face, detecção de sinal de tráfego, detecção de veículos, detecção de placa de licença, detecção de pedestres, detecção de sinal e detecção de faixa de rodagem.
Faster-RCNN então falar um processo básico de detecção exemplo objeto, consiste principalmente em duas fases.
A primeira fase compreende:
1) intervalo predefinido de diferentes tamanhos e proporções de âncoras.
2) a passagem de extracção de características FIG CNN inteiros.
3) classificação RPN e regressão de âncoras, para dar região candidata (propostas).
A segunda fase inclui:
1) o uso de cada região ROIPooling esteiras característica candidato.
2) As esteiras caracterizado alimentada para uma rede R-CNN subsequente.
3) região candidata para posterior classificação e regressão para obter o resultado de detecção final.
Seguido por um outro raio da classificação de objecto de detecção podem ser geralmente divididos em duas categorias, isto é, um passo e de dois passos detector de detector. Um método passo, uma imagem que é colocada sobre uma série de bloco de ancoragem (âncora), uma convolução completa usando uma rede, estes bloco de ancoragem e uma regressão, uma vez classificados, para obter um resultado de detecção. detector de dois passos, que é colocada sobre a série original de bloco de ancoragem (âncora), uma rede utilizando os pontos de ancoragem e dois blocos para a classificação de dois regressão para obter um resultado de detecção. detector de dois passos mais do que um passo detector passo um, em (a mesma entrada, âncora e ambiente de laboratório fornecido), no de um passo ganha eficiência sob as mesmas condições, os dois-passo para uma maior precisão. Um detector típico algoritmo em dois passos compreende mais rápido-RCNN, R-FCN, FPN, corte e Cascade RCNN, que mais rápido-RCNN mais representativo. Um detector típico algoritmo de uma etapa compreende YOLO, SSD, CornerNet e RetinalNet, dos quais o mais representativo SSD.
Depois de uma síntese de dois passos das vantagens do detector em relação ao detector de um-passo, que apresenta a classificação em duas fases, o retorno de dois estágios e em duas fases. E falou sobre a pesquisa e exploração de fazer um passo de duas etapas detector detector tem a vantagem de ser realizado, que RefineDet. RefineDet quadro detecção inclui dois módulos, isto é, da âncora Refinamento Módulo (ARM) e Módulo ObjectDetection módulo (ODM). Dois módulos ligados por um bloco TransferConnection (TCB). Em que o efeito de filtragem no ARM é amostras negativas e corrigindo a fronteira inicial, o efeito do módulo de correção baseado em ARM ODM através de bloco de ancoragem, e em que o uso de um melhor (experiência de campo rico, rico em detalhes, o conteúdo abstrato) classificação fina e mais para trás. E mais tarde introduziu a evolução da RefineDet.
Finalmente, a detecção de objetos Dr. Zhang Shifeng no futuro é prospectado que a velocidade mais rápida (para atender as necessidades de embutidos), maior precisão (a erro endereço específico, como em pequena escala, bloco), multi-tasking joint Multi-tarefa ( + detecção de atributo, chave, divisão), detecção de objeto de vídeo (usando a informação inter-estrutura e melhorar a aceleração de precisão) e aprender tudo (aprendendo e NMS âncora). Mais conteúdo emocionante, por favor assistir ao conteúdo de vídeo.
