问题标签 [faster-rcnn]

我对机器学习真的很陌生，我目前正在使用 Tensorflow 对象检测 API 来执行对象检测，我使用的模型是 faster_rcnn_resnet101。

我正在寻找的是定义架构的python代码，例如层数（就像我附加的代码一样，它来自Tensorflow教程（https://cv-tricks.com/tensorflow-tutorial/training- convolutional-neural-network-for-image-classification/ )。Tensorflow 不像 YOLO，在那里我可以很容易地找到定义架构的地方......

非常感谢你的帮助！我想知道，在哪里可以找到定义架构的文件faster_Rcnn_resnet101？

我可以发现最大池化是池化中最常用和首选的类型，无论我需要提取的图像数据或特征对我来说听起来多么可笑，例如我正在检测糖尿病视网膜病变，我需要从视网膜图像中提取一些微特征，为什么不选择平均池化或最小池化

我有自己的图像数据集并使用 Mask-R-CNN 进行训练。在那里，您将数据集划分为训练、验证和测试。

我想知道验证和测试之间的区别。我知道验证通常用于在每个时期之后查看 NN 的质量。基于此，您可以看到 NN 有多好以及是否发生过拟合。但我想知道 NN 是否基于验证集进行学习。

基于训练集，NN 在每个图像之后学习并调整每个神经元以减少损失。在 NN 完成学习后，我们使用测试集来看看我们的 NN 在处理新的看不见的图像时到底有多好。

但是在基于验证集的 Mask-R-CNN 中到底发生了什么？验证集是否仅用于查看结果？还是会根据验证结果调整一些参数以避免过拟合？即使是这种情况，验证集对参数有多大影响？神经元本身是否会被调整？

如果影响非常非常小，那么我会选择与测试集相等的验证集，因为我没有很多图像（800）。

所以基本上我想知道 Mask-R-CNN 中测试和验证之间的区别，即验证集如何以及在多大程度上影响 NN。

我有一个 CNN 架构，我训练它识别一些我最终需要实时使用的对象，然后使用检测到的对象的输出进行进一步的工作。我有两个问题需要回答，以评估我需要做的下一步：

1. 随着我对 CNN 的研究更多，我发现有不同类型的 CNN，例如更快的 CNN。所以我想知道 Keras 在使用它的 conv2d 函数时使用的是什么类型的架构（我将在下面提供我的 CNN 架构的代码）

2. 生成的模型帮助我识别我正在寻找的对象是否在图像中，但我也在寻找图像中的预测区域。这可能使用相同的架构还是我需要使用其他类似 YOLO 的东西？

编辑：更具体地说，我想知道 tensorflow 或任何后端 keras 是否提供了基础 CNN，我们定义架构的方式是定义我们使用的 CNN 类型，例如区域 CNN、快速 CNN 或更快美国有线电视新闻网？还是在不同级别定义的东西？

我希望我说清楚了。

我对cntk完全陌生。我最近使用 GeForce 940MX GPU 在我的电脑（Windows 10，i5-7200U CPU）上安装了 cntk 2.7（GPU 版本）。我正在尝试设置 cntk 和以下链接中提供的更快的 rcnn 对象检测示例 https://docs.microsoft.com/en-us/cognitive-toolkit/object-detection-using-faster-r-cnn

我正在尝试运行玩具示例。

在 Examples/Image/Detection/FastRCNN 文件夹中运行 install_data_and_model.py 后

我运行 run_faster_rcnn.py Examples/Image/Detection/FasterRCNN 文件夹

我收到以下错误：

有人可以帮我解决问题的全部内容吗？

我正在通过 tensorflow 执行对象检测，但我面临的问题是对象检测不是很准确。我使用的架构是faster_rcnn_resnet_101.

更具体地说，我想解决的问题如下：

我正在尝试检测盒子，但我附加的图像将平板电脑检测为盒子，但置信度非常高（99%）。我想知道置信度是在哪里定义和打印的，因为我真的很好奇为什么平板电脑的置信度会像盒子一样高。我输入的所有训练数据都是像我检测到的那样的盒子。

谁能帮我找出 Tensorflow 对象检测 API 中定义的置信度在哪里？或者也许引导我解决这个问题？

尝试通过在4096 x 8192像素的图像上使用更快的RCNN来检测车牌。

我没有为训练调整大小，而是裁剪了图像的某些部分并标记了车牌并进行了训练，这样它就可以工作，但它无法在实际图像上检测到，而只能在小图像上检测到。

请指导我完成这项工作的最佳方法是什么。我应该如何进行培训，以及如何在faster_rcnn_inception_v2_pets.config上进行配置。或者，如果您认为更快的 RCNN 不适合这种工作，请提出更好的方法，我至少需要 80 以上的准确率。

我在谷歌上搜索了很多，但找不到任何人处理 8k 以上的图像。

我也在下面附上了一个示例图片。 https://ibb.co/NKWWd7q

我试图在谷歌云服务器上对4096 x 8192像素的图像进行带注释的训练，它在单个批量大小上消耗了超过 250gb 的 RAM。

亲切的问候。

我是机器学习和 TensorFlow 的新手，所以很抱歉，如果我的理解有误，请纠正我。我有这个项目，使用 TensorFlow 开发实时交通信号灯检测。

我一直在使用预训练的 TensorFlow 模型，例如 SSD Mobilenet 和 Faster R-CNN Resnet。但是，还没有达到预期的精度结果。我已经考虑向数据集添加更多数据（我的数据集包含 +/-1000 张图像），但是因为添加更多数据需要做更多工作（因为我必须进行另一次数据采集并标记所有图像），这可能需要天。我想考虑另一种选择。

有什么方法可以修改 TensorFlow 模型架构，以便我可以优化并使其仅专注于交通信号灯检测？我一直在查看 TensorFlow 模型文件夹，但找不到这些模型架构在哪个文件中定义。

任何帮助将不胜感激。谢谢

我正在使用 FRCNN 的这种实现来训练我的数据集：

https://github.com/kbardool/keras-frcnn

在训练期间，我得到没有堆栈跟踪的随机异常：

当我收到错误消息时，损失仍然下降，可能是什么原因，我该如何解决？

我一直在尝试运行 python 脚本来测试预训练模型 (ResNeXt-101) 并可视化 TableBank 提出的表检测任务的性能。作者使用 Detectron 库（Facebook AI Research 的 (FAIR) 软件系统，实现了最先进的对象检测算法，包括 Mask R-CNN）对模型进行了预训练。我遵循了本教程：https ://github.com/doc-analysis/TableBank/blob/master/TestPretrainedModel.md

这是我的命令：

我得到以下信息：

有谁知道如何解决这个问题？任何帮助表示赞赏。