當(dāng)下目標(biāo)識別方法主要通過檢測經(jīng)典數(shù)據(jù)集,根據(jù)準(zhǔn)確率（如mAP）的高低或者與其他算法進行比較來評判其優(yōu)劣。但在工程應(yīng)用中,通常沒有公開數(shù)據(jù)集參考,并且只考慮準(zhǔn)確率等指標(biāo)而不考慮其應(yīng)用要求是不夠的,還需要考慮多方面因素,如算力要求、處理速度、部署平臺等,先前的評估方法已無法滿足工程需求,因此提出了一種新的綜合評估方法。首先介紹了目標(biāo)識別方法的分類方法類型,然后選取基于此的兩種常用的經(jīng)典目標(biāo)識別方法,進行簡要介紹以及優(yōu)缺點對比,在此基礎(chǔ)上結(jié)合科學(xué)研究項目評估方法提出了一套可量化的目標(biāo)識別方法評估標(biāo)準(zhǔn)與方法。通過設(shè)計實驗驗證其評估結(jié)果與經(jīng)驗相符,對工程應(yīng)用中的目標(biāo)識別方法擇優(yōu)有一定的參考價值。 

【文章來源】：工業(yè)控制計算機. 2020,33(11)

【文章頁數(shù)】：3 頁

【部分圖文】：

使用Open CV進行目標(biāo)識別

神經(jīng)網(wǎng)絡(luò)[7-8]是由具有適應(yīng)性的簡單單元組成的廣泛并行互連的網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)在圖像識別領(lǐng)域的一直占據(jù)著一席之地，在訓(xùn)練樣本充足的條件下表現(xiàn)相當(dāng)穩(wěn)定。在處理普通的大規(guī)模分類問題時，卷積神經(jīng)網(wǎng)絡(luò)可用于構(gòu)建階層分類器，也可以在精細(xì)分類識別中用于提取圖像的判別特征以供其他分類器進行學(xué)習(xí)。卷積神經(jīng)網(wǎng)絡(luò)憑借其卷積和池化操作，能大大減少樣本數(shù)據(jù)的處理負(fù)擔(dān)，因而具有得天獨厚的優(yōu)勢。但由于神經(jīng)網(wǎng)絡(luò)通常需要大量樣本數(shù)據(jù)來保證其準(zhǔn)確率，經(jīng)常給科研工作帶來困難，雖然目前出現(xiàn)了一些小樣本解決方案，如反向傳播（BP）神經(jīng)網(wǎng)絡(luò)、元學(xué)習(xí)等，但其識別準(zhǔn)確率還不盡如人意。并且神經(jīng)網(wǎng)絡(luò)需要依賴性能強大的計算機，還需要大量的訓(xùn)練時間，也導(dǎo)致其在一些輕量級的設(shè)備平臺應(yīng)用受限。


本文編號：3603615