山东企业网站建设费用,北京海淀区是几环,江西省网站备案,wordpress换行命令前些天发现了一个巨牛的人工智能学习网站#xff0c;通俗易懂#xff0c;风趣幽默#xff0c;无广告#xff0c;忍不住分享一下给大家。#xff08;点击跳转人工智能学习资料#xff09; 摘要#xff1a;机器视觉是人工智能正在快速发展的一个分支。简单说来#xff0c…前些天发现了一个巨牛的人工智能学习网站通俗易懂风趣幽默无广告忍不住分享一下给大家。点击跳转人工智能学习资料 摘要机器视觉是人工智能正在快速发展的一个分支。简单说来机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品(即图像摄取装置分CMOS和CCD两种)将被摄取目标转换成图像信号传送给专用的图像处理系统得到被摄目标的形态信息根据像素分布和亮度、颜色等信息转变成数字化信号图像系统对这些信号进行各种运算来抽取目标的特征进而根据判别的结果来控制现场的设备动作[1]。深度学习是学习样本数据的内在规律和表示层次这些学习过程中获得的信息对图像等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力能够识别文字、图像和声音等数据其在语音和图像识别方面取得的效果远远超过先前相关技术[1]。该综述主要内容即是关于深度学习在机器视觉应用领域的研究。
1引言 由文献[2]可知在深度学习算法出来之前对于视觉算法来说大致可以分为以下5个步骤特征感知、图像预处理、特征提取、特征筛选、推理预测与识别。早期的机器学习中占优势的统计机器学习群体中对特征是不大关心的。计算机视觉可以说是机器学习在视觉领域的应用所以计算机视觉在采用这些机器学习方法的时候不得不自行设计前4个部分而这是一个艰难的任务。传统的计算机识别方法把特征提取和分类器设计分开来做然后在应用时再合在一起比如如果输入是一个人脸图像的话首先要有一个特征表达或者特征提取的过程然后把表达出来的特征放到学习算法中进行分类的学习。因为手工设计特征需要大量的经验需要设计者对该领域和数据特别了解设计出的特征还需要大量的调试工作。而另一个难点在于设计者不只需要手工设计特征还需要在此基础上有一个比较合适的分类器算法同时设计特征并且选择一个分类器这两者合并达到最优的效果几乎是不可能完成的任务。 如果不手动设计特征不挑选分类器有没有别的方案呢能否同时学习特征和选择分类器呢即输入某一个模型的时候输入图片输出其标签。比如输入一个员工的人脸输出的标签就是一个1000维的向量假设要在1000个人里识别其中对应员工的向量是1其他的位置是0。这种设定符合人类脑科学的研究成果。AlexNet由多伦多大学几个科学家开发在ImageNet比赛上做到了非常好的效果。当时AlexNet识别效果超过了所有浅层的方法。此后大家认识到深度学习的时代终于来了并有人用它做其它的应用同时也有些人开始开发新的网络结构。机器视觉中比较成功的深度学习的应用包括复杂环境下的人员检测、视觉问答和物体检测等。
2基于深度学习的复杂环境人员检测方法研究 复杂环境指的是目标检测中图像分辨率不高、光照影响、检测区域复杂、干扰严重的环境。复杂的检测环境给目标检测带来了极大的干扰,国内外研究者提出多种方法应对复杂环境对目标检测的干扰,但是由于应用场景不同,解决复杂环境干扰问题的方法也各不相同。在工业复杂生产环境下,作业人员的安全问题至关重要。大多数工业企业采用人眼观察视频的方式对作业人员位置进行判断,这种方式长时间会使管理者出现疲劳问题,效率非常低下,遇到安全问题也不能进行及时的处理。因此采用图像处理以及深度学习技术使计算机代替人眼去检测和定位人员,不仅可以提高检测的准确率,同时也可以减轻监管人员的工作负担。 由文献[3]知在工业环境下进行图像的采集并进行人员多种姿态、状态的数量统计,同时将数据集中的人员进行标注,形成算法训练对应格式数据集;其次针对工业复杂环境下人员难以检测的问题,分别使用HOGSVM人员检测算法、FasterRCNN人员检测算法以及Centernet人员检测算法对本文人员数据集进行训练测试和分析,得出Centernet人员检测算法在检测精度和速度上均优于其他算法的结论;最后针对于Centernet人员检测算法在实际应用中对于大面积人员遮挡无法检测到的问题,提出基于背景差法的改进Centernet人员检测算法,利用背景减除法快速确定人员大致位置的特点,调整Centernet得分阈值的大小,使得分较少的大面积遮挡人员也可以正确被检出,提高Centernet人员检测算法在应用中检测的平均精度。 YOLO系列初代算法YOLOv1是由Joseph Redmon在2016年CVPR上首次发表自此YOLO系列因其高效的性能而被广泛应用到各类实时检测任务中。在初代YOLO中作者将图像分割为77的共计49个小单元格图片经过YOLOv1网络处理之后将会输出一个7730的张量其中77是指将图片分割成7*7的网格30是指预测框的宽高中心点坐标置信度以及可预测的20个物体种类通过这样的张量拼接方式使得YOLO可以同时完成对目标位置和种类的预测。此后的一系列YOLO算法基于这种思想不断在精度速度和可识别物体种类方面进行了改进YOLO9000[4]将可识别物体的种类从20种增加到了9000种。由文献[5]针知对于复杂环境对目标检测的干扰问题,通过区域划分解决检测区域复杂问题,通过改进暗通道优先图像处理策略,解决图像分辨率、光照等对目标检测的影响问题,结合SSDSN提出复杂环境下的人员检测方法,通过对比Faster R-CNN、SSD、YOLOV2、YOLOV3及SSDSN五种算法的检测结果,证明了SSDSN在复杂环境下的检测能力。
3基于深度学习的视觉问答系统研究 2015年学术界提出的自由形式和开放式视觉问答VQA任务逐步成为人工智能研究的热门方向。VQA系统将图像与自由形式和开放式的自然语言表述问题作为输入产生的自然语言表述答案作为输出。图像处理的相关技术为视觉问答提供一定的支持和借鉴比如图像标记与图像说明。和视觉问答相比这些任务虽然需要视觉和语义知识但是说明通常不具有针对性。相比之下视觉问答中的问题往往需要详细的有针对性的图像信息所以和一般的图像标记与图像说明不一样。视觉问答VQA是计算机视觉、自然语言处理和人工智能交叉的新兴交叉学科研究课题。给定一个开放式问题和一个参考图像视觉问答VQA的任务是预测与图像一致的问题的答案。VQA需要对图像有很深的理解但是评估起来要容易得多。它也更加关注人工智能即产生视觉问题答案所需的推理过程[6]。 在视觉问答中计算机视觉技术用来理解图像NLP技术用来理解问题两者必须结合起来才能有效地回答图像情境中的问题。这相当具有挑战性因为传统上这两个领域是使用不同的方法和模型来解决各自任务的。给定一张图片如果想要机器以自然语言来回答关于这张图片的某一个问题那么机器对图片的内容、问题的含义和意图以及相关的常识都需要有一定的理解。在实际应用中针对信息中大量的图片采用视觉问答系统就可以使用机器来采集相应有用的信息减少了人的工作量。近年来由于图形的强大表现力用机器学习分析图形的研究越来越受到关注图神经网络是基于深度学习的方法在图域上运行卷积神经网络。由于其令人信服的性能和高可解释性GNN最近已成为一种广泛应用的图形分析方法其侧重于分类、链路预测和聚类。在视觉问答中图像中的目标可视为图的节点节点间基于问题的联系可视为边。综上在联合嵌入模型的基础上结合图卷积神经网络加强图像目标和问题间的联系通过图网络强大的分类能力以提高视觉问答的准确率[7]。
4基于深度学习的物体检测系统研究 人类的视觉系统能够迅速地、有选择地从视觉场景中检测出感兴趣的目标或者具有显著特征的物体,并根据更高层次的视觉任务目的对它们进行处理和理解,从而实现相应的行为或决策。将人类这种选择性视觉注意机制引入到计算机视觉的信息处理中,可以有效地减少视觉计算所需处理的数据量、加速整个处理过程,并进一步方便更高层次视觉任务的处理,因而该方面的研究受到学术界的广泛关注并应用到计算机视觉的各个领域。 人工神经网络被认为是一种以简化的方式模仿人类大脑并行计算机制的数学模型人们同样试图建立一些计算模型来模仿人类视觉系统注意机制以实现选择性地专注于一些与视觉任务目的相关的事物而忽略其他事物,从而可以利用有限的计算资源来快速完成视觉场景的处理和理解等过程[8]。 基于深度学习的显著性物体检测方法需要对模型进行训练因此需要大量的样本图片及其对应的标签。虽然在人工标注时耗费大量的时间以及在网络训练和和参时也花费一定的时间但是一旦将网络模型训练好,可以适用于较为复杂场景下的显著性物体检测其性能明显优于传统的显著性物体检测方法。目前大多数的基于深度学习的显著性物体检测方法都是采取全监督的方式,即需要大量的样本进行训练按照其网络结构,一般可以将这些方法分为基于传统卷积神经网络的方法和基于完全卷积神经网络的方法。虽然基于完全卷积神经网络的显著性检测方法相比传统卷积神经网络的显著性检测方法能更好地保存空间信息但经过卷积、下采样和上采样后,最终的特征图丧失了显著物体的一些细节,在一定程度上影响了检测的精度。因此在此基础上基于复杂的特征融合网络结构被提出如将底层特征和高层特征征行连接获得更加丰富的语义信息在文献[9]中作者加到了注意力机制来进行更加精确的显著目标检测从而克服之前的网络模型的缺点提高模型的检测精度。
5总结与展望 对于人员检测由于实际监控场景的复杂性算法在人员检测的过程中不可避免地会存在一些误报以后可以从主干网络入手对于人员的特征进行更加精准的提取从而进一步提升算法的检测性能。另一方面由于存在数据较少、目标标注引入干扰背景的问题 DE-YOLO检测的精确度提升会遇到瓶颈同时网络结构如何进一步的压缩和裁剪也是一个值得研究的方向, 后期的工作将针对这些问题进入深入的研究。 对于智能视觉问答系统作为需要视觉理解与推理能力的、融合计算机视觉以及自然语言处理的视觉问答VQA它的进步在计算机视觉的发展和自然语言处理的能力提高的基础上还有着更高的要求即对图像的理解——在图像处理的基础能力如识别、检测等的基础上还要学习知识与推理的能力。需要提高模型的精度提高回答问题的粒度。然而这条路还有很长的距离要走一个能够真正理解图像、学习到知识和推理能力的VQA模型才是最终目标。 对于物体检测由文献[8]知显著性物体检测仍然是一个非常具有挑战性的工作具有十分重要的研究价值。目前显著性物体检测的首选方法是基于深度学习的方法具有较高的检测精度可适应于复杂场景下的物体检测。未来显著性物体检测将更加关注网络模型的大小、检测的精度以及实时性方面作为视觉任务的前序的预处理为各种实际的应用任务服务。 基于深度学习的机器视觉和物联网技术近年来受到研究人员和商业领域的广泛关注这两项技术对我们的生活、城市和世界都产生了积极的影响。物联网技术和深度学习构成了一个数据生产者-消费者链其中物联网技术生成由深度学习模型分析的原始数据深度学习模型产生高层次的分析反馈给物联网系统以微调和改进服务。
参考文献 [1]孙志军;薛磊;许阳明;王正;深度学习研究综述[J];计算机应用研究;2012年08期 [2]张驰;关于深度学习与计算机视觉;雷锋网;2016年5月 [3]滕悦;工业复杂环境下人员监测系统研究与设计;辽宁科技大学 [4]REDMON J, FARHADI A. YOLO9000: better, faster, stronger[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, HI, USA. IEEE, 2017: 6517-6525 [5]马金涛;基于深度学习的复杂环境目标检测方法研究;哈尔滨理工大学;2021年第09期 [6]葛梦颖;孙宝山;基于深度学习的视觉问答系统;天津工业大学;2096-4706201911-0011-04 [7]龚安;丁磊;姚鑫杰;基于图卷积网络的视觉问答研究;中国石油大学华东; 1672-9722.2022.01.026 [8]蒋峰岭;孔斌;钱晶;王灿;杨静;显著性物体检测研究综述;1000-8829(2021)01-0001-15 [9]CHENSH,WANGB,TANXL,etal.Embeddingattentionandresidualnetworkforaccuratesalientobjectdetection[J].IEEETransactionsonCybernetics,2020,50(5)2050-2062.
