Image processing CNN图像识别中遮挡目标的处理_Image Processing_Tensorflow_Computer Vision_Conv Neural Network_Image Recognition

Image processing CNN图像识别中遮挡目标的处理

image-processing tensorflow computer-vision

Image processing CNN图像识别中遮挡目标的处理,image-processing,tensorflow,computer-vision,conv-neural-network,image-recognition,Image Processing,Tensorflow,Computer Vision,Conv Neural Network,Image Recognition,我正在为Tensorflow CNN图像识别项目寻找处理遮挡对象的方法。底层对象大部分是可见的，但相似的对象经常交叉。大多数交叉点实际上是一个交叉形状（但并不总是）。想一想在桌子上扔一串看起来弯曲的牙签或金属丝。可能的优点：大多数对象的结构相似，但大小不同，弯曲度也不同这是否需要某种预处理步骤，或者是否可以通过CNN内的某个过程严格处理？我可以通过Sobel/Canny/任何方式获得物体的轮廓。问题是我是否可以避免编写繁琐的手工编码函数来分离对象任何想法或参考已知的工作或论文感谢看看CNN

我正在为Tensorflow CNN图像识别项目寻找处理遮挡对象的方法。底层对象大部分是可见的，但相似的对象经常交叉。大多数交叉点实际上是一个交叉形状（但并不总是）。想一想在桌子上扔一串看起来弯曲的牙签或金属丝。可能的优点：大多数对象的结构相似，但大小不同，弯曲度也不同

这是否需要某种预处理步骤，或者是否可以通过CNN内的某个过程严格处理？我可以通过Sobel/Canny/任何方式获得物体的轮廓。问题是我是否可以避免编写繁琐的手工编码函数来分离对象

任何想法或参考已知的工作或论文感谢

看看CNN的基本结构：在第一层中，有许多描述可能的局部特征的地图。由于对象重叠是有限的，您仍然可以从非重叠部分获得强信号。后续层应该能够处理这个问题，特别是如果它们已经过这种重叠的训练

显然，你需要这方面的培训。CNN不知道物体是什么，所以区分

VV

和

取决于网络是否接受

训练。如果一个网络从未见过

，但只见过

，那么

将被识别为

VV

谢谢，有趣的女士，很好的类比。我一直在考虑多个过程，试图手动移除“顶部”对象，并填充产生的间隙。这看起来很乏味，而且可能容易出错。但是，使用大量重叠对象的组合进行训练似乎也很困难。尽管只有三种基本类型，比如弯曲的金属丝，但它们可以呈现不同的曲线。而且不同数量的它们可以以任意角度重叠。这可能是在训练领域吗？（到目前为止，我没有发现任何论文或研究）