Práctica de Android de reconocimiento de imágenes Opencv (reconocimiento de naipes 4. Alfabetización en reconocimiento de imágenes)
? Aquí queremos que la computadora pueda reconocer imágenes. Si quieres que una computadora sepa algo, primero debes enseñárselo. Una vez que lo aprenda, lo entenderá naturalmente. Así que preparamos muchas muestras para decirle a la computadora qué es un cuadrado y qué es un trébol. Cuando hay suficientes muestras, la computadora puede distinguir naturalmente lo que ve mediante analogía.
? Existen muchos tipos de algoritmos de aprendizaje automático, como KNN, K-means, árbol de decisión, SVM, Bayes, etc. Extraemos los datos característicos de muestras y objetivos, y luego aplicamos estos algoritmos de clasificación para lograr el propósito de clasificar cosas, completando así simplemente un proceso de aprendizaje automático. Por supuesto, el aprendizaje automático no sólo se utiliza para clasificar, sino que también puede utilizarse para cosas cada vez más complejas. La aplicación cambiante actual del aprendizaje automático en el campo del reconocimiento de imágenes se utiliza en realidad para la clasificación. Por tanto, la clasificación de imágenes es una de las tareas más básicas e importantes en el reconocimiento de imágenes.
En cualquier caso, la clasificación de cualquier cosa requiere un objetivo de clasificación, por ejemplo, a qué familia pertenece una planta, entonces el objetivo de clasificación es esta planta, y las muestras son, naturalmente, las diversas plantas y plantas que tenemos. categoría definida. ¿Quiénes son las personas? Podemos clasificar por sus rasgos faciales, y el rostro es un objetivo que hay que clasificar. De manera similar, para la clasificación de imágenes, primero se debe encontrar el objetivo de clasificación. Por ejemplo, necesitamos saber si hay una manzana en una imagen determinada. Por lo general, necesitamos deducir los lugares donde puede haber manzanas y compararlos con las imágenes de manzanas. En comparación, cuando el grado de coincidencia alcanza un cierto nivel, creemos que el área de la imagen deducida es una manzana. Este proceso a menudo se denomina segmentación de imágenes y es un proceso indispensable en el reconocimiento de imágenes. El efecto de la segmentación de imágenes afecta directamente el efecto final del reconocimiento de imágenes. Para solucionar este proceso, se han propuesto muchos algoritmos para solucionar este problema. En mi opinión, la segmentación de imágenes sigue siendo una tecnología que necesita mejora continua. Afortunadamente, la segmentación de imágenes utilizada por este proyecto de código abierto es muy simple y no es necesario comprender demasiados principios para completar bien esta tarea.
? Actualmente, existen dos métodos principales de reconocimiento de imágenes en el campo del reconocimiento de imágenes: el reconocimiento de un solo paso basado en áreas candidatas. Los métodos de un solo paso, como el algoritmo yolo, pasan directamente la imagen desconocida a la red neuronal y pueden identificar el objeto objetivo sin buscar áreas candidatas. El método basado en regiones candidatas tiene un proceso más. Primero, encuentre áreas candidatas donde pueda existir el objetivo. En segundo lugar, estas regiones candidatas se comparan con muestras conocidas. Si la coincidencia alcanza un cierto nivel, el objeto se considera reconocido.
Las ventajas y desventajas del algoritmo basado en regiones candidatas son las siguientes:
Menos muestras, velocidad de ejecución más eficiente, algoritmo más fácil de entender, equipos más baratos, pero en algunos casos el siguiente paso ya está implementado. El método no se puede resolver o el efecto es muy pobre. Este proyecto de código abierto resuelve este problema basándose en regiones candidatas.
Ventajas y desventajas del método de un solo paso:
? Hay muchas muestras y muchas redes neuronales utilizadas en el método de un solo paso, que requiere un alto rendimiento del equipo y puede resolver problemas más complejos.