课程截图。
比较感兴趣的点:
- 中国交通数据集:https://github.com/csust7zhangjm/CCTSDB
- 多个任务的CNN
- 下面传统方法分割车道线中的“切割重点区域”如何用OpenCV实现?
- GAN数据增强能否应用于工业界?
交通指示牌识别的难度很大
-
常常是多个一起,要求算法逐个识别
-
信息量很大的指示牌
难点:
- 图像像素低
- 图像光线变化大
- 图像有物体遮挡
- 图像晃动
- 图像由形变(perspective transform)
如何做
用不同尺寸的 窗口去滑动,小波滤波器作为特征提取方式,然后对提取到的区域(RGB)进行LDA变换
https://ke.qq.com/webcourse/index.html#cid=350394&term_id=100416672&taid=2807439733119162
adaboost将多个小波分类器组合起来(弱分类器)
2001年的目标检测算法
opencv中的Haar cascade就是这个论文中的算法
- 然后使用naive Bayes
深度学习的方法
- 本文提供了国内指示牌的数据集以及标注
数据集的划分很细致
重要:指示牌的类别不平衡问题以及尺寸差异
网络架构:
特点: 没有Flatten+FC,而是直接把feature map跟着三个分叉的卷积层(用来做不同的任务)
比如第一个分支获取bbox(左上右下坐标);第二个分支获取像素级分割;第三个分支获取类别。
以上主要涉及交通指示牌的识别
-
另一个案例:YanLeCun大神的,只做识别。 98.97%的准确率
- 本文提到要做数据增强:
从已有的数据产生更多的训练数据
案例二:方向盘操作
- 难点:
1准确性、实时性、应对不同天气情况
传统的解决方案:
灰度化=》加高斯模糊=》边缘检测=》对边缘二值化=》切割出重点区域