訂閱
糾錯
加入自媒體
當(dāng)前位置： OFweek 人工智能網(wǎng)   >   機器學(xué)習(xí)   >  正文

谷歌提出Context R-CNN, 利用時域上下文信息的增強目標(biāo)檢測系統(tǒng)

這種方法超過了僅僅使用單幀圖像的FasterR－CNN方法，在多個生態(tài)環(huán)境圖像檢測領(lǐng)域內(nèi)都具有明顯的優(yōu)勢。研究人員已將模型整合到TF Object Detection API中，為相關(guān)研究人員提供更為簡化的訓(xùn)練和部署。

上圖中顯示了上下文信息（長達(dá)一個月）是如何幫助專家確定模糊場景中的動物的。上下文中目標(biāo)形狀、尺寸、每天固定的食草時間幫助算法確定這是角馬。

上下文R－CNN模型

上下文R－CNN主要利用靜態(tài)相機拍攝圖像序列間的高度相關(guān)性，在無需額外人工標(biāo)注數(shù)據(jù)的情況下提升算法在復(fù)雜情況下的性能，同時改善在新的相機設(shè)置下的泛化性。與Faster R－CNN類似，它也采用了兩階段目標(biāo)檢測架構(gòu)。

上圖顯示了上下文R－CNN的頂層架構(gòu)，顯示了檢測模型與長期上下文信息如何有效系統(tǒng)提升性能。

為了抽取某一相機的上下文信息，研究人員首先利用參數(shù)固定的特征抽取器從較大的時間跨度中構(gòu)建出上下文存儲空間（下圖中M）；隨后每幅圖像在對應(yīng)上下文信息聚合的幫助下，上下文R－CNN將會更好地在復(fù)雜情況下對目標(biāo)進(jìn)行檢測（包括低光、濃霧、模糊等場景）。這種聚合利用attention方式實現(xiàn)，它對靜態(tài)相機中出現(xiàn)的稀疏和非規(guī)則采樣具有較好的魯棒性。

第一階段的Faster R－CNN將提出潛在目標(biāo)，而第二階段將對每個候選目標(biāo)進(jìn)行分類。在Context R－CNN中針對第一階段的候選目標(biāo)，使用基于相似性的注意力機制來確定當(dāng)前目標(biāo)與記憶池中特征的相關(guān)性。隨后利用相關(guān)性權(quán)重加權(quán)記憶池中的特征來構(gòu)建針對這一目標(biāo)的上下文特征，并將其添加到原始的目標(biāo)特征后，送入第二階段的Faster R－CNN中進(jìn)行最終的分類。

Context R－CNN將近一個月的上下文信息用于幫助分類當(dāng)前目標(biāo)。綠色數(shù)字顯示了每個記憶特征與當(dāng)前目標(biāo)的注意力相關(guān)性權(quán)重。

<上一頁  1  2  3  下一頁>  
聲明： 本文由入駐維科號的作者撰寫，觀點僅代表作者本人，不代表OFweek立場。如有侵權(quán)或其他問題，請聯(lián)系舉報。

發(fā)表評論

共0條評論，0人參與

請輸入評論內(nèi)容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁，請輸入驗證碼繼續(xù)

暫無評論

暫無評論

    掃碼關(guān)注公眾號
    OFweek人工智能網(wǎng)
    獲取更多精彩內(nèi)容
    文章糾錯
    x
    *文字標(biāo)題：
    *糾錯內(nèi)容：
    聯(lián)系郵箱：
    *驗 證 碼：

    粵公網(wǎng)安備 44030502002758號