智能網(wǎng)聯(lián)汽車裝調(diào)與測(cè)試（彩色版配實(shí)訓(xùn)工單）課件 任務(wù)4.2 目標(biāo)檢測(cè)深度學(xué)習(xí)數(shù)據(jù)集制作

任務(wù)4.2目標(biāo)檢測(cè)深度學(xué)習(xí)數(shù)據(jù)集制作學(xué)習(xí)目標(biāo)CONTENTE01知識(shí)目標(biāo):了解深度學(xué)習(xí)技術(shù)在環(huán)境感知中的應(yīng)用。02學(xué)習(xí)目標(biāo)CONTENTE能力目標(biāo):能讀懂VOC、COCO等常用深度學(xué)習(xí)數(shù)據(jù)集的文件結(jié)構(gòu)，并能使用標(biāo)注工具完成數(shù)據(jù)的標(biāo)注，制作訓(xùn)練數(shù)據(jù)集01深度學(xué)習(xí)認(rèn)知深度學(xué)習(xí)數(shù)據(jù)集制作02學(xué)習(xí)內(nèi)容CONTENTE01 深度學(xué)習(xí)認(rèn)知任務(wù)4.2目標(biāo)檢測(cè)深度學(xué)習(xí)數(shù)據(jù)集制作傳統(tǒng)視覺深度學(xué)習(xí)認(rèn)知計(jì)算機(jī)是不認(rèn)識(shí)圖像的,只認(rèn)識(shí)數(shù)字0和1。為了使計(jì)算機(jī)能夠“理解”圖像，從而具有真正意義上的“視覺”，于是我們通過(guò)從圖像中提取有用的數(shù)據(jù)或信息，得到圖像的“非圖像表示或描述”，如數(shù)值、向量和符號(hào)等，這一過(guò)程就是特征提取，而提取出來(lái)的這些“非圖像表示或描述”就是特征。傳統(tǒng)視覺深度學(xué)習(xí)認(rèn)知上述的特征提取一般包括點(diǎn)、線，圖像分割，光流，機(jī)器學(xué)習(xí)特征，SVM行人車輛識(shí)別等要素提取。有了這些數(shù)值或向量形式的特征，再通過(guò)建立特征庫(kù)，我們就可以通過(guò)訓(xùn)練過(guò)程教會(huì)計(jì)算機(jī)如何懂得這些特征，從而使計(jì)算機(jī)具有識(shí)別圖像的本領(lǐng)。目前圖像特征的提取主要有兩種方法：傳統(tǒng)圖像特征提取方法和深度學(xué)習(xí)方法。傳統(tǒng)的特征提取方法：基于圖像本身的特征進(jìn)行提?。簧疃葘W(xué)習(xí)方法：基于樣本自動(dòng)訓(xùn)練出區(qū)分圖像的特征分類器；傳統(tǒng)的圖像特征提取一般分為三個(gè)步驟：預(yù)處理、特征提取、特征處理；然后在利用機(jī)器學(xué)習(xí)等方法對(duì)特征進(jìn)行分類等操作。傳統(tǒng)視覺深度學(xué)習(xí)認(rèn)知預(yù)處理：預(yù)處理的目的主要是排除干擾因素，突出特征信息；主要的方法有：圖片標(biāo)準(zhǔn)化：調(diào)整圖片尺寸；圖片歸一化：調(diào)整圖片重心為0；特征提?。豪锰厥獾奶卣髯涌臻g，完成對(duì)圖像的特征提取。涉及算法主要有：Harris、SIFT、SURF、LBF、HOG、DPM；特征處理：主要目的是為了排除信息量小的特征，減少計(jì)算量等。常見的特征處理方法是降維，常見的降維方法有：主成分分析、奇異值分解、線性判別分析；傳統(tǒng)視覺深度學(xué)習(xí)認(rèn)知傳統(tǒng)視覺算法有著自身的一些瓶頸，無(wú)論單目攝像頭還是多目攝像頭，傳統(tǒng)視覺算法都是基于人為特征提取得到樣本特征庫(kù)去識(shí)別計(jì)算。當(dāng)自動(dòng)駕駛車輛行駛過(guò)程中如發(fā)現(xiàn)特征庫(kù)沒有該樣本或特征庫(kù)樣本不準(zhǔn)確，都會(huì)導(dǎo)致傳統(tǒng)視覺算法無(wú)法識(shí)別，另外傳統(tǒng)視覺算法還有在復(fù)雜場(chǎng)景下分割不佳等情況。因此，基于人為特征提取的傳統(tǒng)視覺算法具有性能瓶頸，無(wú)法完全滿足自動(dòng)駕駛的目標(biāo)檢測(cè)。傳統(tǒng)視覺深度學(xué)習(xí)認(rèn)知深度學(xué)習(xí)(DL,Deep

Learning)是一類模式分析方法的統(tǒng)稱，屬于機(jī)器學(xué)習(xí)(ML,MachineLearning)領(lǐng)域中一個(gè)新的研究方向。深度學(xué)習(xí)通過(guò)學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，能夠讓機(jī)器像人一樣具有分析、學(xué)習(xí)能力，可識(shí)別文字、圖像和聲音等數(shù)據(jù)，從而實(shí)現(xiàn)人工智能(AI,ArtificialIntelligence)。定義深度學(xué)習(xí)認(rèn)知深度學(xué)習(xí)在圖像領(lǐng)域的幾大任務(wù)：圖像分類圖像分類任務(wù)目的是判斷圖像中包含物體的類別，如果期望判別多種物體則稱為多目標(biāo)分類。需要注意的是，基本的圖像分類任務(wù)并不要求給出物體所在位置，也不需要判斷含有物體的數(shù)量。分類深度學(xué)習(xí)認(rèn)知目標(biāo)檢測(cè)確的定位出圖像中某一物體類別信息和所在位置分類深度學(xué)習(xí)認(rèn)知實(shí)例分割不僅需要將圖像中所有像素進(jìn)行分類，還需要區(qū)分相同類別中不同個(gè)體。不需要對(duì)每個(gè)像素進(jìn)行標(biāo)記分類深度學(xué)習(xí)認(rèn)知全景分割語(yǔ)義分割和實(shí)例分割的結(jié)合，即要對(duì)所有目標(biāo)都檢測(cè)出來(lái)，又要區(qū)分出同個(gè)類別中的不同實(shí)例。分類深度學(xué)習(xí)認(rèn)知深度估計(jì)它的目的就是要去預(yù)測(cè)平面圖片中每個(gè)像素的深度，簡(jiǎn)單地說(shuō)，就是每個(gè)像素離你有多遠(yuǎn)。一旦有了精確的深度估計(jì)，你的無(wú)人車就能很大程度上做到避撞了分類深度學(xué)習(xí)認(rèn)知基于深度學(xué)習(xí)的計(jì)算機(jī)視覺，應(yīng)用于無(wú)人駕駛的視覺感知系統(tǒng)中，主要分為四大塊：動(dòng)態(tài)物體檢測(cè)（Dynamic

Object

Detection）通行空間（Free

Space）車道線檢測(cè)（Lane

Detection）靜態(tài)物體檢測(cè)（Static

Object

Detection）主要從需求、難點(diǎn)、實(shí)現(xiàn)三個(gè)方面對(duì)每項(xiàng)感知部分做剖析。上述檢測(cè)的難度從難到易排序：DOD>FS=LD>SOD。應(yīng)用深度學(xué)習(xí)認(rèn)知靜態(tài)物體檢測(cè)（Static

Object

Detection）對(duì)交通紅綠燈、交通標(biāo)志等靜態(tài)物體的檢測(cè)識(shí)別；應(yīng)用深度學(xué)習(xí)認(rèn)知?jiǎng)討B(tài)物體檢測(cè)（Dynamic

Object

Detection）對(duì)車輛（轎車、卡車、電動(dòng)車、自行車）、行人等動(dòng)態(tài)物體的3D識(shí)別與跟蹤（ID)。應(yīng)用深度學(xué)習(xí)認(rèn)知通行空間（Free

Space）對(duì)車輛行駛的安全邊界（可行駛區(qū)域）進(jìn)行劃分，主要對(duì)車輛、普通路邊沿、側(cè)石邊沿、沒有障礙物可見的邊界、未知邊界進(jìn)行劃分。應(yīng)用深度學(xué)習(xí)認(rèn)知、車道線檢測(cè)（Lane

Detection）對(duì)各類車道線（單側(cè)/雙側(cè)車道線實(shí)線、虛線、雙線）進(jìn)行檢測(cè)，還包括線型的顏色（白色/黃色/藍(lán)色）以及特殊的車道線（匯流線、減速線