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:Tensorflow TF目标检测API:超高分辨率图像中的推断,tensorflow,Tensorflow,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
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- 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
- 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。