目标识别和文字检测算法 Faster R-CNN、CTPN

2024-02-02 04:20

本文主要是介绍目标识别和文字检测算法 Faster R-CNN、CTPN,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Faster R-CNN 目标检测算法

Towards Real-Time Object Detection with Region Proposal Networks

R-CNN:Regions with CNN features

  1. Input image
  2. Extract region proposals(~2k)
  3. Compute CNN features
  4. Classify regions

IoU Intersection over Union

测量在特定数据集中检测相应物体准确度的一个标准

预测范围: bounding boxex

ground-truth bounding boxes(人为在训练集图像中标出要检测物体的大概范围)

I o U = A r e a o f O v e r l a p A r e a o f U n i o n IoU = \frac{Area\quad of\quad Overlap}{Area \quad of \quad Union} IoU=AreaofUnionAreaofOverlap

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-IldTlrdy-1639284143003)(Detecting%20Text%20in%20Natural%20Image%20with%20Connectionist%20Text%20Proposal%20Network.assets/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb3l1MTI1MzQwMTU2Mw==,size_16,color_FFFFFF,t_70.png)]

NMS (Non-Maximum Suppression)

Fast R-CNN

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-YaZeS7QC-1639284143006)(Detecting%20Text%20in%20Natural%20Image%20with%20Connectionist%20Text%20Proposal%20Network.assets/image-20211211202345500.png)]

Selection search

Anchor sliding window Feature extraction

RPN Loss

Cls label 二分类,是否有物体,使用IoU gt bounding box anchor box

Loc label
t x ∗ = ( x ∗ − x a ) / w a , t y ∗ = ( y ∗ − y a ) / h a , t w ∗ = l o g ( w ∗ / w a ) , t h ∗ = l o g ( t w ∗ ) t_x^* = (x^*-x_a)/w_a, t_y^* = (y^*-y_a)/h_a,\\ t_w^* = log(w^*/w_a), t_h^* = log(t_w^*) tx=(xxa)/wa,ty=(yya)/ha,tw=log(w/wa),th=log(tw)

t x = ( x − x a ) / w a , t y = ( y − y a ) / h a , t w = l o g ( w / w a ) , t h = l o g ( h / h a ) t_x = (x-x_a)/w_a, t_y = (y-ya)/h_a,\\ t_w = log(w/w_a), t_h = log(h/h_a) tx=(xxa)/wa,ty=(yya)/ha,tw=log(w/wa),th=log(h/ha)

Cls loss

Cross Entropy交叉熵

Loc Loss
z i = 0.5 ( x i − y i ) 2 / b e t a , i f ∣ x i − y i ∣ < b e t a z i = ∣ x i − y i ∣ − 0.5 ∗ b e t a , o t h e r w i s e z_i = 0.5(x_i-y_i)^2/beta, \quad if |x_i-y_i|<beta\\ z_i = |x_i-y_i|-0.5*beta, \quad otherwise zi=0.5(xiyi)2/beta,ifxiyi<betazi=xiyi0.5beta,otherwise

RoI Head Region of Interest

Mask R-CNN

L = L c l s + L b o x + L m a s k L = L_{cls}+L_{box}+L_{mask} L=Lcls+Lbox+Lmask

To this we apply a per-pixel sigmoid,and define L m a s k L_{mask} Lmask as the average binary cross-entropy loss. For an RoI associated with gorund-truth k, L m a s k L_{mask} Lmask is only defined o the k-th mask(other mask outputs do not contribute to the loss).

RoI Align不对齐,保留浮点,在小区域之内继续划分

CTPN 文字检测算法
Detecting Text in Natural Image with Connectionist Text Proposal Network
  • Detecting text in fine-scale proposals
  • Recurrent connectionist text proposals
  • Side-refinement

v c = ( c y − c y a ) / h a v c ∗ = ( c y ∗ − c y a ) / h a v h = l o g ( h / h a ) v h ∗ = l o g ( h ∗ / h a ) v_c= (c_y-c_y^a)/h^a\\ v_c^* = (c_y^*-c_y^a)/h^a\\ v_h = log(h/h_a)\\ v_h^* = log(h^*/h^a) vc=(cycya)/havc=(cycya)/havh=log(h/ha)vh=log(h/ha)

Text line construction

o ∗ = ( x s i d e ∗ − c x a ) / w a o^* = (x^*_{side} -c^a_x)/w^a o=(xsidecxa)/wa

Code

bounding box

CRNN 文字识别算法

An End-yo-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition

  • CRNN

  • Code

  • CTC[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-g467jlT1-1639284143006)(Detecting%20Text%20in%20Natural%20Image%20with%20Connectionist%20Text%20Proposal%20Network.assets/image-20211209220712175.png)]

  • lexicon-based

  • lexicon-free

feature sequence —— receptive field感受野

CRNN——CTC
π = − − h h − e − l − l l − o o − − B ( π ) = h e l l o p ( l ∣ y ) = ∑ π : B ( π ) = 1 p ( π ∣ y ) , p ( ′ h e l l o ′ ∣ y ) = ∑ π : B ( π ) = ′ h e l l o ′ p ( π ∣ y ) \pi = --hh-e-l-ll-oo--\\ B(\pi) = hello\\ p(l|y) = \sum_{\pi:B(\pi)=1} p(\pi|y), \quad p('hello'|y) = \sum_{\pi:B(\pi)='hello'} p(\pi|y) π=hhelllooB(π)=hellop(ly)=π:B(π)=1p(πy),p(helloy)=π:B(π)=hellop(πy)

CTC Theory

p ( l ∣ x ) = ∑ π ∈ B − 1 ( 1 ) p ( π ∣ x ) . h ( x ) = a r g m a x 1 ∈ L ≤ T p ( l ∣ x ) . O M L ( S , N w ) = − ∑ ( x , z ) ∈ S l n ( p ( z ∣ x ) ) = − ∑ ( x , z ) ∈ S l n ( ∑ π ∈ B − 1 ( z ) p ( π ∣ x ) ) p(l|x) = \sum_{\pi \in B^{-1}(1)} p(\pi|x).\\ h(x) = arg\quad max_{1\in L\leq T} \quad p(l|x).\\ O^{ML}(S,N_w) = -\sum_{(x,z)\in S} ln(p(z|x))=-\sum_{(x,z) \in S} ln(\sum_{\pi \in B^{-1}(z)} p(\pi |x)) p(lx)=πB1(1)p(πx).h(x)=argmax1LTp(lx).OML(S,Nw)=(x,z)Sln(p(zx))=(x,z)Sln(πB1(z)p(πx))

为了让所有的path都能在图中唯一、合法的表示,结点转换有如下约束:

  1. 转换只能往右下方向,其他方向不允许
  2. 相同的字符之间起码要有一个空字符
  3. 非空字符不能被跳过
  4. 起点必须从前两个字符开始
  5. 终点必须落在结尾两个字符

forward-backward

定义在时刻t经过节点s的全部前缀子路径的概率总和为前向概率 α t ( s ) \alpha_t(s) αt(s)
α 3 ( 4 ) = p ( a p ) + p ( a a p ) + p ( a p ) + p ( a p p ) \alpha_3(4) = p(_ap)+p(aap)+p(a_p)+p(app) α3(4)=p(ap)+p(aap)+p(ap)+p(app)

  • 情况1:第s个符号为空符号blank
    α t ( s ) = ( α t − 1 ( s ) + α t − 1 ( s − 1 ) ) ⋅ y s e q ( s ) t \alpha_t(s) = (\alpha_{t-1}(s)+\alpha_{t-1}(s-1))·y^t_{seq(s)} αt(s)=(αt1(s)+αt1(s1))yseq(s)t

  • 情况2:第s个符号等于第s-2个符号
    α t ( s ) = ( α t − 1 ( s ) + α t − 1 ( s − 1 ) ) ⋅ y s e q ( s ) t \alpha_t(s) = (\alpha_{t-1}(s)+\alpha_{t-1}(s-1))·y^t_{seq(s)} αt(s)=(αt1(s)+αt1(s1))yseq(s)t

  • 情况3:既不属于情况1,也不属于情况2
    α t ( s ) = ( α t − 1 ( s ) + α t − 1 ( s − 1 ) + α t − 1 ( s − 2 ) ) ⋅ y s e q ( s ) t \alpha_t(s) = (\alpha_{t-1}(s)+\alpha_{t-1}(s-1)+\alpha_{t-1}(s-2))·y^t_{seq(s)} αt(s)=(αt1(s)+αt1(s1)+αt1(s2))yseq(s)t
    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-GAanawON-1639284143009)(Detecting%20Text%20in%20Natural%20Image%20with%20Connectionist%20Text%20Proposal%20Network.assets/image-20211209231338595.png)]

不属于情况2
α t ( s ) = ( α t − 1 ( s ) + α t − 1 ( s − 1 ) + α t − 1 ( s − 2 ) ) ⋅ y s e q ( s ) t \alpha_t(s) = (\alpha_{t-1}(s)+\alpha_{t-1}(s-1)+\alpha_{t-1}(s-2))·y^t_{seq(s)} αt(s)=(αt1(s)+αt1(s1)+αt1(s2))yseq(s)t
[外链图片转存中...(img-GAanawON-1639284143009)]

这篇关于目标识别和文字检测算法 Faster R-CNN、CTPN的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/669448

相关文章

springboot+dubbo实现时间轮算法

《springboot+dubbo实现时间轮算法》时间轮是一种高效利用线程资源进行批量化调度的算法,本文主要介绍了springboot+dubbo实现时间轮算法,文中通过示例代码介绍的非常详细,对大家... 目录前言一、参数说明二、具体实现1、HashedwheelTimer2、createWheel3、n

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,:本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV: 关于颜色总是要转HSV的掩膜再标注总结 目标:将红色的部分滤

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

使用PyTorch实现手写数字识别功能

《使用PyTorch实现手写数字识别功能》在人工智能的世界里,计算机视觉是最具魅力的领域之一,通过PyTorch这一强大的深度学习框架,我们将在经典的MNIST数据集上,见证一个神经网络从零开始学会识... 目录当计算机学会“看”数字搭建开发环境MNIST数据集解析1. 认识手写数字数据库2. 数据预处理的

Pytorch微调BERT实现命名实体识别

《Pytorch微调BERT实现命名实体识别》命名实体识别(NER)是自然语言处理(NLP)中的一项关键任务,它涉及识别和分类文本中的关键实体,BERT是一种强大的语言表示模型,在各种NLP任务中显著... 目录环境准备加载预训练BERT模型准备数据集标记与对齐微调 BERT最后总结环境准备在继续之前,确

讯飞webapi语音识别接口调用示例代码(python)

《讯飞webapi语音识别接口调用示例代码(python)》:本文主要介绍如何使用Python3调用讯飞WebAPI语音识别接口,重点解决了在处理语音识别结果时判断是否为最后一帧的问题,通过运行代... 目录前言一、环境二、引入库三、代码实例四、运行结果五、总结前言基于python3 讯飞webAPI语音

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣:146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.

使用Python开发一个图像标注与OCR识别工具

《使用Python开发一个图像标注与OCR识别工具》:本文主要介绍一个使用Python开发的工具,允许用户在图像上进行矩形标注,使用OCR对标注区域进行文本识别,并将结果保存为Excel文件,感兴... 目录项目简介1. 图像加载与显示2. 矩形标注3. OCR识别4. 标注的保存与加载5. 裁剪与重置图像

golang字符串匹配算法解读

《golang字符串匹配算法解读》文章介绍了字符串匹配算法的原理,特别是Knuth-Morris-Pratt(KMP)算法,该算法通过构建模式串的前缀表来减少匹配时的不必要的字符比较,从而提高效率,在... 目录简介KMP实现代码总结简介字符串匹配算法主要用于在一个较长的文本串中查找一个较短的字符串(称为