Tensorflow TF目标检测API：超高分辨率图像中的推断

我已经训练了一个模型（基于更快的rcnn）来识别1000x600图像中80x80大小的对象

当显示1000x600测试图像时，推理效果良好

然而，我的最终目标是能够在非常高分辨率的照片（5000x4000或更高，有时是10倍）中检测到此类物体（80x80）

我有什么选择

我想的一种方法是将大图像分割成1000x600的小图像，并对它们进行推断。但这种方法也存在挑战

有人尝试过这个用例并找到了可行的解决方案吗

--我要做的是：

减小图像的大小5000x4000->1000x600

预测目标；您将得到

xminx、xmaxs、ymins、ymaxs

->按宽度和高度对它们进行规格化，以获得0和1的值空间

获取原始图像并按原始宽度和高度重新规范化对象框

您建议的分割图像的方法应该也能工作，但计算成本会更高。

我要做的是：

减小图像的大小5000x4000->1000x600

预测目标；您将得到

xminx、xmaxs、ymins、ymaxs

->按宽度和高度对它们进行规格化，以获得0和1的值空间

获取原始图像并按原始宽度和高度重新规范化对象框

您建议的分割图像的方法也应该有效，但计算成本会更高。

您可以：

• 进行逐块推理，并使用非最大抑制来处理边界情况，或

• 通过填充使训练图像与测试图像的大小相同

让我们知道你最后做了什么

您可以：

• 进行逐块推理，并使用非最大抑制来处理边界情况，或

• 通过填充使训练图像与测试图像的大小相同

---

让我们知道你最后做了什么

我试过这个。压缩图像会使感兴趣的对象失去其特征（实际上，我的对象非常小。我使用的是航空照片），从而导致大量的假负片。我的第一次尝试使用分割->检测->缝合方法效果很好，但处理拐角处的案例尚未完成。我尝试了这个方法。压缩图像会使感兴趣的对象失去其特征（实际上，我的对象非常小。我使用的是航空照片），从而导致大量的假负片。我第一次尝试使用“拆分->检测->缝合”方法效果很好，但处理拐角处的案例尚未完成。