标检测一、目标检测的发展过程上图是从1998年到2018年，目标检测文章发表数量变化图，数据来源于谷歌学术。由此可见目标检测领域一直是大家所追捧的热方向。上图展示了目标检测算法近20年来来的方法路线图。很明显，从2012年(深度学习元年)开始，深度学习发展的步伐越来越大。图中每一个标注出来的方法名字都是具有里程碑意义的算法。Detector19年前，，主要应用在人脸检测方面，运行在主频为700MHz的奔腾CPU上，比当时其他的算法速度提升了上百倍。HOGDetector在2005年被提出，因为其特征鲁棒性强，多尺度适应性好，在深度学习出现之前，经常被广泛应用于通用目标检测。DPMDPM是传统算法的老大，是VOC-07，08，09目标检测比赛的赢家，它是HOG方法的拓展。尽管现在的目标检测算法远远强过了DPM，但是DPM提出的很多东西，现在都在沿用，例如难例挖掘，Bbox回归。所以其作者被VOC颁发了“终身成就奖”。人工智能做为人类史上第四次工业**的技术主导者。海南人脸识别人工智能培训公司
困难样本挖掘的技术发展困难样本是什么意思？在目标检测深度学习的训练过程中，正负样本的比例其实不均衡的，因为标注的数据就是正样本，数量肯定是固定的，为了保证正负样本的均衡，所以会选取一定的背景图片作为负样本，但是背景图片的样本集是一个open-set，不可能全部参与训练。所以需要将训练过程中难以训练的样本挖掘出来，给以更高的loss来训练，促进模型的泛化能力。例如SSD算法中，将一小部分的样本做反向传播，这些小部分样本都是loss值比较高的，这就是证明不好训练的样本，多学习几次，增加模型的泛化能力。三、目标检测的加速一个算法从被设计出来，其目的就是为了产生价值的，并不是停留在学术界的文章中，必定是要被工业界拿来项目落地的。所以一个目标检测算法的推理时间对于工业界落地至关重要。算法的加速，归根结底就是计算机的运算次数变少，但是精度不能丢。常用的几种加速方法如下特征图共享计算在目标检测算法中，特征提取阶段往往耗时往往较多。在特征图共享计算里面分为两种，第一种是空间计算冗余加速，第二种是尺度计算冗余加速。这里不展开讲。内蒙古AI人工智能培训哪家好深度人工智能学院数学理解基础。
在上面这个例子里，池化层对每一个2X2的区域求max值，然后把max值赋给生成的featuremap的对应位置。如果输入图像是100×100的话，那输出图像就会变成50×50，featuremap变成了一半。同时保留的信息是原来2X2区域里面max的信息。操作的实例：LeNet网络Le顾名思义就是指人工智能领域的大牛Lecun。这个网络是深度学习网络的早期原型，因为之前的网络都比较浅，它较深的。LeNet在98年就发明出来了，当时Lecun在AT&T的实验室，他用这一网络进行字母识别，达到了非常好的效果。怎么构成呢？输入图像是32×32的灰度图，首先层经过了一组卷积和，生成了6个28X28的featuremap，然后经过一个池化层，得到得到6个14X14的featuremap，然后再经过一个卷积层，生成了16个10X10的卷积层，再经过池化层生成16个5×5的featuremap。
上述的滑窗方式可以定位到原图像，8x8的滑窗定位到原图就是64x64，同样，在原图中根据滑窗方式不同（在这里选择的是左右和上下的步长为16个像素）识别定位到的缺陷位置也不止一个，这样就涉及到定位精度了。在这里选择投票的方式，其实就是对原图像上每个被标记的像素位置进行计数，当数字大于指定的阈值，就被判断为缺陷像素。识别结果如下图所示：六、一些Trick对上述案例来说，其实64x64大小的定位框不够准确，可以考虑训练一个32x32大小的模型，然后应用方式和64x64的模型相同，基于32x32的定位位置和64x64的定位位置进行投票，但是这会涉及到一个问题，就是时间上会增加很多，要慎用。对背景和前景相差不大的时候，网络尽量不要太深，因为太深的网络到后面基本学到的东西都是相同的，没有很好的区分能力，这也是我在这里为什么不用objectdetection的原因，这些检测模型网络，深度动辄都是50+，效果反而不好，虽然有残差模块作为backbone。但是对背景和前景相差很大的时候，可以选择较深的网络，这个时候，objectdetection方式就派上用场了。七、关于源代码这里的代码不再开源，因为设计到技术保密，感兴趣的话可以自己动手实现下。深度人工智能学院python人工智能课程。
比如，对于一张爱因斯坦的照片，我可以学习n个不同的卷积和函数，然后对这个区域进行统计。可以用不同的方法统计，比如着重统计中间，也可以着重统计周围，这就导致统计的和函数的种类多种多样，为了达到可以同时学习多个统计的累积和。上图中是，如何从输入图像怎么到后面的卷积，生成的响应map。首先用学习好的卷积和对图像进行扫描，然后每一个卷积和会生成一个扫描的响应图，我们叫responsemap，或者叫featuremap。如果有多个卷积和，就有多个featuremap。也就说从一个开始的输入图像（RGB三个通道）可以得到256个通道的featuremap，因为有256个卷积和，每个卷积和表示一种统计抽象的方式。在卷积神经网络中，除了卷积层，还有一种叫池化的操作。池化操作在统计上的概念更明确，就是一个对一个小区域内求平均值或者求max值的统计操作。带来的结果是，如果之前我输入有两个通道的，或者256通道的卷积的响应featuremap，每一个featuremap都经过一个求max的一个池化层，会得到一个比原来featuremap更小的256的featuremap。深度人工智能学院医学影像分割项目。西藏深度智谷人工智能培训哪家好
深度人工智能学院师资力量雄厚，来自众多大厂的工程师担任讲师。海南人脸识别人工智能培训公司
【慧聪通信网】谷歌公司今年稍早时间宣布，他们的人工智能(AI)系统已能发明自己的加密算法，还能生成自己的AI。而据谷歌官方博客及未来主义(Futurism)新闻网近日消息称，这个由AI创造的“子AI”，性能已打败人类创造的AI：测试中，名为NASNet的“子AI”系统正确率达到，比之前公布的同类AI产品的结果高，系统效率高出4%。2017年5月，“谷歌大脑”(GoogleBrain)的研究人员宣布研发出自动人工智能AutoML，该人工智能可以产生自己的“子AI”系统。日前，他们决定向AutoML发起迄今为止非常大的挑战――尝试用AutoML自己创造出的AI，打败人类设计的AI。团队成员使用一种被称为强化学习的方法，自动化设计机器学习模型。此次，AutoML的“身份”是一个控制器神经网络，为特定任务开发一个“子AI”。这个新生成的“孩子”名为NASNet，可以实时地在视频中识别人体、汽车、交通信号灯、手袋、背包等目标。AutoML作为“家长”，会评估“孩子”NASNet的性能，并使用这些信息来改善“子AI”，再将这一过程重复数千次。海南人脸识别人工智能培训公司
成都深度智谷科技有限公司位于中国(四川)自由贸易试验区成都天府一街369号1栋2单元17楼1715号，交通便利，环境优美，是一家服务型企业。是一家有限责任公司企业，随着市场的发展和生产的需求，与多家企业合作研究，在原有产品的基础上经过不断改进，追求新型，在强化内部管理，完善结构调整的同时，良好的质量、合理的价格、完善的服务，在业界受到宽泛好评。公司拥有专业的技术团队，具有人工智能培训，深度学习培训，AI培训，AI算法工程师培训等多项业务。深度智谷顺应时代发展和市场需求，通过**技术，力图保证高规格高质量的人工智能培训，深度学习培训，AI培训，AI算法工程师培训。
