Image processing CNN图像识别中遮挡目标的处理
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
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W
取决于网络是否接受W
训练。如果一个网络从未见过W
,但只见过V
,那么W
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)