OEM Cynulliad Falf Rheilffordd Gyffredin Newydd F00VC01329 Ar gyfer 0445110168 169 284 315 chwistrellwr

Canfod diffygion sedd falf chwistrellu modurol yn seiliedig ar ymasiad nodwedd(rhan 3)

O ganlyniad, wrth ganfod sedd falf y chwistrellwr, mae angen cywasgu'r llun, a phrosesir maint y llun i 800 × 600, ar ôl cael y data delwedd safonol unedig, defnyddir y dull gwella data i osgoi prinder data, ac mae gallu cyffredinoli'r model yn cael ei wella. Mae gwella data yn rhan bwysig o hyfforddi modelau dysgu dwfn [3]. Yn gyffredinol, mae dwy ffordd i gynyddu data. Un yw ychwanegu haen tarfu data i'r model rhwydwaith i ganiatáu i'r ddelwedd gael ei hyfforddi bob tro, mae ffordd arall sy'n fwy syml a syml, mae'r samplau delwedd yn cael eu gwella trwy brosesu delweddau cyn hyfforddi, rydym yn ehangu'r set ddata gan ddefnyddio dulliau gwella delwedd fel geometreg a gofod lliw, a defnyddio HSV yn y gofod lliw, fel y dangosir yn Ffigur 1.

Gwella model diffygiad cyflymach R-CNN Yn y model algorithm R-CNN Cyflymach, yn gyntaf oll, mae angen i chi dynnu nodweddion y llun mewnbwn, a gall y nodweddion allbwn a dynnwyd effeithio'n uniongyrchol ar yr effaith canfod terfynol. Craidd canfod gwrthrychau yw echdynnu nodwedd. Y rhwydwaith echdynnu nodwedd gyffredin yn y model algorithm R-CNN Cyflymach yw'r rhwydwaith VGG-16. Defnyddiwyd y model rhwydwaith hwn yn gyntaf wrth ddosbarthu delweddau [4], ac yna mae wedi bod yn ardderchog mewn segmentu semantig [5] a chanfod halltedd [6].

Mae'r rhwydwaith echdynnu nodwedd yn y model algorithm Faster R-CNN wedi'i osod i VGG-16, er bod gan y model algorithm berfformiad da wrth ganfod, dim ond allbwn y map nodwedd o'r haen olaf mewn echdynnu nodwedd delwedd y mae'n ei ddefnyddio, felly bydd ni ellir cwblhau rhai colledion a'r map nodwedd yn llawn, a fydd yn arwain at anghywirdeb wrth ganfod gwrthrychau targed bach ac yn effeithio ar yr effaith adnabod derfynol.