Обучаете ли вы классификатор CNN в Обнаружении объектов на ограничивающих прямоугольниках наземной истины?

Question

Возьмем, к примеру, R-CNN. Я знаю, что существует сеть предложений регионов, а затем отдельная сеть классификации, основная идея которой заключается в том, что она находит потенциальные регионы, которые могут быть объектом, а затем передает эти регионы классификатору, чтобы выяснить, что это такое. Мне интересно, как этот классификатор обучается, если у меня есть собственный набор данных. Он просто извлекает все ограничивающие прямоугольники, создает новые изображения с этими координатами ограничивающего прямоугольника, обрабатывает их предварительно и затем использует для обучения? на основе координат ограничивающего прямоугольника или это сложнее?

Answer 1

Исходя из того, что я понял из вашего вопроса: «Вы хотите понять, как работает сеть классификаторов?»

Ну, когда мы проектируем сеть детекторов, за которой следует сеть классификаторов, обе сети обучаются на разных видов на обучающих наборах данных. Например, вы хотите обнаруживать различные классы транспортных средств, таких как грузовик, автобус, фургон, автомобиль, велосипед и т. Д. c.

1. Сеть детекторов: эта сеть будет обучена с использованием изображений, отмеченных ограничивающие рамки вокруг транспортных средств на сцене. т.е. координаты ограничивающих рамок. во время тестирования этой части сети вы получите результаты, которые дадут вам ограничивающие прямоугольники (координаты) вокруг транспортных средств.

2. Сеть классификаторов: будет обучаться с использованием обрезанных изображений транспортных средств с различными метками классов все размеры изменены до тех же размеров, например, для грузовика 1, автобуса 2, фургона 3, автомобиля 4 и т. д.

Следовательно, при тестировании всего трубопровода (детектор + классификатор) после детекторной сети вы получите несколько ограничивающих рамок в зависимости от количества транспортных средств, присутствующих в сцене. После этого вам нужно изменить размер всех этих обрезанных изображений ограничивающей рамки до одного и того же размера и передать одно за другим в сеть классификаторов. например, в сцене может быть 5 транспортных средств, тогда классификатор получит 5 изображений транспортных средств отдельно. Вам также необходимо сохранить координаты обрезанного изображения с подачей, чтобы отметить класс и местонахождение автомобиля на результате.