2020年9月25日 机器视觉与计算机视觉技术

图像分类和目标检测技术有什么区别?

图像分类和目标检测技术是计算机视觉领域的重要研究方法。这些技术帮助机器理解和识别实时对象和环境,帮助数字图像作为输入。多年来,计算机视觉技术已经被应用于多个领域,包括医疗保健、制造业、零售业等等。

由于像图像分类和目标检测这样的方法都是围绕着数字图像中的目标识别而展开的,所以常常会留下混淆:这两种技术到底是什么,这两种技术又是如何区别的?

在本文中,我们将了解这两种技术是什么,并讨论使它们不同的各种场景。

图像分类

简单地说,图像分类是一种用于对图像中特定对象的类别进行分类或预测的技术,该技术的主要目的是准确识别图像中的特征。

图像分类的工作原理

一般来说,图像分类技术可以分为参数和非参数、有监督和无监督以及硬分类器和软分类器。对于有监督分类,该技术基于所建立的决策边界来传递结果,决策边界主要依赖于训练模型时所提供的输入和输出。但是,在无监督分类的情况下,该技术根据对输入数据集本身的分析提供结果;特征不会直接输入到模型中。

图像分类技术涉及的主要步骤是确定合适的分类系统、特征提取、选择好的训练样本、图像预处理和选择合适的分类方法、分类后处理,最后对总体精度进行评估。在这种技术中,输入通常是特定对象(如上图中的兔子)的图像,输出是定义和匹配输入对象的预测类。卷积神经网络(CNNs)是目前最常用的用于图像分类的神经网络模型。

图像分类技术的类型

有监督图像分类技术包括并行六面体技术、最小距离分类器、最大似然分类器等。在一篇研究论文中,研究人员提到了以下几种类型的图像分类技术

●基于不同传感器信息的图像分类

●基于训练样本性质的图像分类

●基于数据所用各种参数的图像分类

●基于数据像素信息性质的图像分类

●基于每个空间数据元素生成的输出数量的图像分类

●基于空间信息性质的图像分类。

缺点

●在有监督和无监督的图像分类技术中,缺点是训练阶段需要大量的时间,不适合处理大数据。

目标检测

目标检测的问题定义是确定目标在给定图像中的位置,如目标定位,以及每个目标属于哪个类别,即目标分类。简单地说,目标检测是一种图像分类技术,除了分类之外,该技术还可以从自然图像中的大量预定义类别中识别出目标实例的位置。

这种技术能够搜索特定种类的物体,如汽车、人、动物、鸟类等,并已成功地应用于下一代图像和视频处理系统中。只有随着深度学习方法的出现,这项技术的最新进展才成为可能。

目标检测技术可以应用于现实工程中,如人脸检测、行人检测、车辆检测、交通标志检测、视频监控等。

目标检测的工作原理

传统的目标检测模型主要分为信息区域选择、特征提取和分类三个阶段。有几种流行的基于深度学习的目标检测模型,已被组织和学术界用于实现从图像中检测目标的效率和准确结果。受欢迎的机型包括MobileNet、You Only Live One(YOLO)、Mark RCNN、RetinaNet等。

缺点

近几年来,在受控环境下的目标检测问题取得了很大的成功。然而,这个问题在不受控制的地方仍然没有得到解决,特别是当对象被放置在杂乱和闭塞的环境中的任意姿势时。

Banner
Related Posts

掌握计算机视觉开发技能的8个步骤

2019年8月5日

2019年8月5日

在与几位致力于人工智能和计算机视觉项目的开发人员交谈之后,我提出了八个步骤,成为一名出色的计算机视觉开发人员。但是,在深入研究每个步骤之前,让我们看一下计算机视觉技术最适合的案例:

研究人员发现用于3D视觉的神经元

2019年7月5日

2019年7月5日

英国纽卡斯尔大学的科学家在昆虫大脑中发现了计算3D距离和方向的神经元。了解这些可能有助于提高和发展机器人视觉应用。

计算机视觉的未来

2018年8月9日

2018年8月9日

计算机视觉通过缩短开发时间并创建与用户想要和需要的内容相匹配的最终产品,为用户提供直接的好处。而不是在一小群开发人员和C级管理人员的闭门造车中确定功能,是基于自然使用而不断发展。

阴影检测系统让自动驾驶汽车看到周围的角落

2019年10月30日

2019年10月30日

通过分析地面阴影的变化,无人驾驶汽车可以预测何时有车辆或行人从拐角处经过。

用于太空星系检测的计算机视觉应用

2018年8月9日

2018年8月9日

观测天文学是天文学的一个分支,它涉及记录有关可观测宇宙的数据。地面和太空望远镜每晚用于观测行星和遥远的星系。专用望远镜仪器收集存储在远程服务器中的原始数据,然后使用多个图像处理和分析通道进行处理。

图像处理中的深度学习技术

2018年8月9日

2018年8月9日

机器学习中的另一种技术是例如“超级矢量机”。与深度学习相比,必须手动定义和验证功能。在深度学习中,神经网络采用这一手动步骤:在训练过程中,独立地自动识别和提取特征。

计算机视觉技术的七个典型应用

2019年4月8日

2019年4月8日

计算机视觉在现实世界中已经有了大量的应用,而且这项技术还很年轻。随着人类和机器继续合作,人类的劳动力将被解放出来,专注于更高价值的任务,机器的自动处理依赖于图像识别的过程。

计算机视觉的优点和局限性

2019年9月10日

2019年9月10日

计算机视觉是计算机科学的一个分支,它允许机器系统实时地查看、处理和解释视觉信息。

神经科学与计算机视觉合作可以更好的理解视觉信息处理

2019年5月8日

2019年5月8日

神经科学家和计算机视觉科学家表示,一个空前庞大的新数据集将帮助研究人员更好地理解大脑是如何处理图像的。

利用机器学习消灭撒哈拉以南非洲采采蝇

2018年8月9日

2018年8月9日

“我们将使用数据科学来创建一个基于机器学习的自动化系统,它可以从采采蛹中快速确定是雄性还是雌性,”Zsuzza Marka说。这一系统将成为机器人分拣机的基础,我们希望该机器最终将用于撒哈拉以南非洲地区,以减轻采采蝇的危害。”

为改善猪的生活而开发的面部识别技术

2019年3月29日

2019年3月29日

专家们希望开发一种技术,可以监测猪的个体面部表情,确定它们的感觉,并将数据发送给农民,提醒他们注意健康和福利问题。

计算机视觉以及它在商业中是如何应用的?

2019年9月17日

2019年9月17日

事实证明,大多数人认为理所当然的东西,即能够看到、处理并对视觉输入采取行动的能力,在机器中是非常难以复制的。这正是计算机视觉(cv)的目标。虽然计算机视觉可能不如人类视觉先进,但它今天已经发展到在商业中非常重要的地步。

视觉系统在零售业4.0中的作用

2020年1月6日

2020年1月6日

技术在零售购物中扮演着越来越重要的角色,这一发展被称为零售4.0。我们来看看计算机视觉是如何推动这场革命的。

机器学习和模式识别之间有什么区别?

2019年10月12日

2019年10月12日

模式识别是机器学习的工程应用。机器学习处理可以从数据中学习的系统的构建和研究,而不是仅遵循明确编程的指令,而模式识别是对数据中模式和规律性的识别。

推动计算机视觉和视觉AI发展的四大关键趋势

2019年5月14日

2019年5月14日

本文讨论了推动视觉应用快速发展和影响行业未来的关键趋势,解释了这些趋势背后的推动因素,并强调了对技术供应商、解决方案开发者和最终用户的关键影响。

Comments
发表评论

电子邮件地址不会被公开。 必填项已用*标注