智能网联汽车装调与测试（彩色版配实训工单）课件 任务4.2 目标检测深度学习数据集制作.pptx

任务4.2目标检测深度学习数据集制作

学习目标CONTENTE01知识目标:了解深度学习技术在环境感知中的应用。

02学习目标CONTENTE能力目标:能读懂VOC、COCO等常用深度学习数据集的文件结构，并能使用标注工具完成数据的标注，制作训练数据集

01深度学习认知深度学习数据集制作02学习内容CONTENTE

01 深度学习认知任务4.2目标检测深度学习数据集制作

传统视觉深度学习认知计算机是不认识图像的,只认识数字0和1。为了使计算机能够“理解”图像，从而具有真正意义上的“视觉”，于是我们通过从图像中提取有用的数据或信息，得到图像的“非图像表示或描述”，如数值、向量和符号等，这一过程就是特征提取，而提取出来的这些“非图像表示或描述”就是特征。

传统视觉深度学习认知上述的特征提取一般包括点、线，图像分割，光流，机器学习特征，SVM行人车辆识别等要素提取。有了这些数值或向量形式的特征，再通过建立特征库，我们就可以通过训练过程教会计算机如何懂得这些特征，从而使计算机具有识别图像的本领。

目前图像特征的提取主要有两种方法：传统图像特征提取方法和深度学习方法。传统的特征提取方法：基于图像本身的特征进行提取；深度学习方法：基于样本自动训练出区分图像的特征分类器；传统的图像特征提取一般分为三个步骤：预处理、特征提取、特征处理；然后在利用机器学习等方法对特征进行分类等操作。传统视觉深度学习认知

预处理：预处理的目的主要是排除干扰因素，突出特征信息；主要的方法有：图片标准化：调整图片尺寸；图片归一化：调整图片重心为0；特征提取：利用特殊的特征子空间，完成对图像的特征提取。涉及算法主要有：Harris、SIFT、SURF、LBF、HOG、DPM；特征处理：主要目的是为了排除信息量小的特征，减少计算量等。常见的特征处理方法是降维，常见的降维方法有：主成分分析、奇异值分解、线性判别分析；传统视觉深度学习认知

传统视觉算法有着自身的一些瓶颈，无论单目摄像头还是多目摄像头，传统视觉算法都是基于人为特征提取得到样本特征库去识别计算。当自动驾驶车辆行驶过程中如发现特征库没有该样本或特征库样本不准确，都会导致传统视觉算法无法识别，另外传统视觉算法还有在复杂场景下分割不佳等情况。因此，基于人为特征提取的传统视觉算法具有性能瓶颈，无法完全满足自动驾驶的目标检测。传统视觉深度学习认知

深度学习(DL,DeepLearning)是一类模式分析方法的统称，属于机器学习(ML,MachineLearning)领域中一个新的研究方向。深度学习通过学习样本数据的内在规律和表示层次，能够让机器像人一样具有分析、学习能力，可识别文字、图像和声音等数据，从而实现人工智能(AI,ArtificialIntelligence)。定义深度学习认知

深度学习在图像领域的几大任务：图像分类图像分类任务目的是判断图像中包含物体的类别，如果期望判别多种物体则称为多目标分类。需要注意的是，基本的图像分类任务并不要求给出物体所在位置，也不需要判断含有物体的数量。分类深度学习认知

目标检测确的定位出图像中某一物体类别信息和所在位置分类深度学习认知

实例分割不仅需要将图像中所有像素进行分类，还需要区分相同类别中不同个体。不需要对每个像素进行标记分类深度学习认知

全景分割语义分割和实例分割的结合，即要对所有目标都检测出来，又要区分出同个类别中的不同实例。分类深度学习认知

深度估计它的目的就是要去预测平面图片中每个像素的深度，简单地说，就是每个像素离你有多远。一旦有了精确的深度估计，你的无人车就能很大程度上做到避撞了分类深度学习认知

基于深度学习的计算机视觉，应用于无人驾驶的视觉感知系统中，主要分为四大块：动态物体检测（DynamicObjectDetection）通行空间（FreeSpace）车道线检测（LaneDetection）静态物体检测（StaticObjectDetection）主要从需求、难点、实现三个方面对每项感知部分做剖析。上述检测的难度从难到易排序：DODFS=LDSOD。应用深度学习认知

静态物体检测（StaticObjectDetection）对交通红绿灯、交通标志等静态物体的检测识别；应用深度学习认知

动态物体检测（DynamicObjectDetection）对车辆（轿车、卡车、电动车、自行车）、行人等动态物体的3D识别与跟踪（ID)。应用深度学习认知

通行空间（FreeSpace）对车辆行驶的安全边界（可行驶区域）进行划分，主要对车辆、普通路边沿、侧石边沿、没有障碍物可见的边界、未知边界进行划分。应用深度学习认知

、车道线检测（LaneDetection）对各