人工智能深度學(xué)習(xí)綜合實(shí)踐 課件 5.計(jì)算機(jī)視覺(jué)模型訓(xùn)練與應(yīng)用-計(jì)算機(jī)視覺(jué)基本任務(wù)

計(jì)算機(jī)視覺(jué)模型訓(xùn)練與應(yīng)用計(jì)算機(jī)視覺(jué)模型應(yīng)用項(xiàng)目目標(biāo)（1）了解計(jì)算機(jī)視覺(jué)領(lǐng)域的基本任務(wù)。（2）了解圖像分類任務(wù)的常用網(wǎng)絡(luò)。（3）能夠針對(duì)應(yīng)用場(chǎng)景訓(xùn)練圖像分類模型。（4）能夠應(yīng)用圖像分類模型進(jìn)行預(yù)測(cè)。課堂導(dǎo)入計(jì)算機(jī)視覺(jué)機(jī)器視覺(jué)項(xiàng)目描述計(jì)算機(jī)視覺(jué)是一門研究如何使機(jī)器“看”的科學(xué)，更進(jìn)一步的說(shuō)，就是指用攝影機(jī)和電腦代替人眼對(duì)目標(biāo)進(jìn)行識(shí)別、跟蹤和測(cè)量等。計(jì)算機(jī)視覺(jué)是人工智能研究的重要領(lǐng)域，它試圖建立一個(gè)像人一樣的視覺(jué)感知系統(tǒng)。計(jì)算機(jī)視覺(jué)主要任務(wù)就是用于識(shí)別和理解圖像或視頻中的內(nèi)容。深度學(xué)習(xí)語(yǔ)義分割實(shí)例分割檢測(cè)分類計(jì)算機(jī)視覺(jué)基本任務(wù)在計(jì)算機(jī)視覺(jué)領(lǐng)域中，最主要的四大基本任務(wù)包括分類、檢測(cè)、語(yǔ)義分割和實(shí)例分割，下面是基本解釋及相關(guān)圖示。分類給定一張輸入圖像，圖像分類任務(wù)旨在判斷該圖像所屬類別。計(jì)算機(jī)視覺(jué)基本任務(wù)在計(jì)算機(jī)視覺(jué)領(lǐng)域中，最主要的四大基本任務(wù)包括分類、檢測(cè)、語(yǔ)義分割和實(shí)例分割，下面是基本解釋及相關(guān)圖示。檢測(cè)給定一張輸入圖像，目標(biāo)檢測(cè)任務(wù)旨在用方框框出圖片內(nèi)的物體和位置。計(jì)算機(jī)視覺(jué)基本任務(wù)在計(jì)算機(jī)視覺(jué)領(lǐng)域中，最主要的四大基本任務(wù)包括分類、檢測(cè)、語(yǔ)義分割和實(shí)例分割，下面是基本解釋及相關(guān)圖示。語(yǔ)義分割給定一張輸入圖像，在框出目標(biāo)的基礎(chǔ)上，區(qū)分圖像中每一點(diǎn)像素點(diǎn)。計(jì)算機(jī)視覺(jué)基本任務(wù)在計(jì)算機(jī)視覺(jué)領(lǐng)域中，最主要的四大基本任務(wù)包括分類、檢測(cè)、語(yǔ)義分割和實(shí)例分割，下面是基本解釋及相關(guān)圖示。實(shí)例分割可精確到物體的邊緣，需標(biāo)注出圖上同一物體的不同個(gè)體。圖像分類任務(wù)常用網(wǎng)絡(luò)ResNetDenseNetAlexNetMobileNet圖像分類任務(wù)常用網(wǎng)絡(luò)ResNet網(wǎng)絡(luò)結(jié)構(gòu)圖像分類任務(wù)常用網(wǎng)絡(luò)DenseNet網(wǎng)絡(luò)結(jié)構(gòu)圖像分類任務(wù)常用網(wǎng)絡(luò)AlexNet網(wǎng)絡(luò)參數(shù)配置圖像分類任務(wù)常用網(wǎng)絡(luò)

MobileNet是谷歌公司針對(duì)手機(jī)等嵌入式設(shè)備提出的一種輕量級(jí)的深度神經(jīng)網(wǎng)絡(luò)，主要用于移動(dòng)和嵌入式設(shè)備的視覺(jué)方面，并且其與在ImageNet分類上的其他已有模型如GoogleNet和

VGG16相比，具有強(qiáng)大的性能。MobileNet可以應(yīng)用于多個(gè)領(lǐng)域，包括物體檢測(cè)、分類、跟蹤等。圖像分類任務(wù)常用網(wǎng)絡(luò)MobileNetV1模型的參數(shù)及說(shuō)明訓(xùn)練垃圾分類模型實(shí)施思路01數(shù)據(jù)準(zhǔn)備02模型加載03模型訓(xùn)練04模型預(yù)測(cè)知識(shí)拓展LIME算法的全稱為L(zhǎng)ocalInterpretableModel-AgnosticExplanations，即與模型無(wú)關(guān)的局部可解釋性算法，它支持對(duì)圖像分類的結(jié)果以可視化的方式進(jìn)行解釋，實(shí)現(xiàn)步驟主要如下。步驟1：獲取圖像的超像素。步驟2：以輸入樣本為中心，在其附近的空間中進(jìn)行隨機(jī)采樣，每次采樣即對(duì)樣本中的超像素進(jìn)行隨機(jī)“遮掩”，每個(gè)采樣樣本的權(quán)重和該采樣樣本與原樣本的距離成反比。知識(shí)拓展步驟3：每個(gè)采樣樣本通過(guò)預(yù)測(cè)模型得到新的輸出，這樣得到一系列的輸入X和對(duì)應(yīng)的輸出Y。步驟4：將X轉(zhuǎn)換為超像素特征F，用一個(gè)簡(jiǎn)單的、可解釋的模型來(lái)擬合F和Y的映射關(guān)系。