使用深度学习进行特征提取
18162 为本文评分:
5.0
使用深度学习进行特征提取
匿名作者 2016年11月14日 星期一
今年八月，我曾介绍过如何利用已知物体的空间特性从图像中提取特征。具体而言，在那篇文章中，我使用了基于规则的特征提取方法从图像中识别交通信号灯。
今天，我想探讨一种利用深度学习技术进行特征提取的新方法。通过使用我们自主开发的深度学习工具，我们可以利用目标数据的示例，在其他图像中寻找相似的物体。
为了训练系统，深度学习网络需要三种不同类型的样本进行学习。这些样本分别是：目标样本、非目标样本和混淆样本。这些样本是从相似图像中裁剪出的图像块，所有图像块尺寸必须统一。在本练习中，我选择了50×50像素的尺寸。
第一类样本是真实的目标数据——我将寻找点亮的交通信号灯。为了让模型有效工作，我们需要不同类型的交通信号灯、光照条件和摄像头角度。这将帮助网络归纳出目标物体的特征。
其次，我们需要负样本，即不包含目标物体的数据。这包括目标周围的区域，以及图像背景中可能出现的其他特征。对于交通信号灯案例，这将包括汽车、路灯、道路标志、植被等。
对于最后一类样本，我查阅了一些图像并标注了可能干扰系统的物体。这些称为混淆样本，指那些与目标物体具有相似尺寸、颜色和/或形状的物体。在本案例中，可能是红色箭头信号灯或"禁止通行"手形标志。我还加入了一些明亮的道路标志和远处的停车标志。
当我们获得所有这些图像块后，就可以使用名为MEGA的机器学习工具来训练神经网络，该网络可用于识别其他图像中的相似物体。
请注意，我实际创建的图像块数量远多于此处展示的示例。样本数量越多、类型越多样，MEGA在图像中准确区分目标与非目标的能力就越强。
在本案例中，我们在分析图像时只会有三种可能结果：信号灯、非信号灯和类信号灯。如果场景中包含多种不同物体，甚至可以得到类似分类图像的结果，因为MEGA能够识别图像中任意数量的目标物体。如果我们想扩展这个思路，可以寻找红灯、绿灯、路灯、车道标记或其他车辆。（这是深度学习在自动驾驶汽车中应用的简单示例！）
要了解更多关于MEGA及其在分析流程中的应用，请联系我们的定制解决方案团队获取详细信息！在下一篇文章中，我们将查看训练后神经网络的输出结果，并进行分析。