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
不常见
image.png
-
常常是多个一起，要求算法逐个识别
image.png -
信息量很大的指示牌
image.png
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）
image.png
如何做
传统方法
image.png
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
image.png
https://ke.qq.com/webcourse/index.html#cid=350394&term_id=100416672&taid=2807439733119162
image.png
adaboost将多个小波分类器组合起来（弱分类器）
image.png
2001年的目标检测算法
image.png
opencv中的Haar cascade就是这个论文中的算法
LDA变换（简单理解为降维）
无论交通指示牌多大，都把他降成25维
- 然后使用naive Bayes
image.png
深度学习的方法
image.png
- 本文提供了国内指示牌的数据集以及标注
中国的交通指示牌
image.png
数据集的划分很细致
image.png
重要：指示牌的类别不平衡问题以及尺寸差异
image.png
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。
image.png
ROC曲线
算法的鲁棒性（注意有很多牌子进行干扰）。右图为最后一层activation
算法的鲁棒性
image.png
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
image.png
网络架构。注意下面的分支直接拷贝，类似跳跃
- 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
image.png
案例二：方向盘操作
image.png
通过预测和真实转动角度和方向进行对比
- 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
image.png
image.png
image.png
深度学习
深度学习方案
image.png