工程应用中的目标识别方法评估研究

发布时间：2022-01-23 04:38

　　当下目标识别方法主要通过检测经典数据集,根据准确率（如mAP）的高低或者与其他算法进行比较来评判其优劣。但在工程应用中,通常没有公开数据集参考,并且只考虑准确率等指标而不考虑其应用要求是不够的,还需要考虑多方面因素,如算力要求、处理速度、部署平台等,先前的评估方法已无法满足工程需求,因此提出了一种新的综合评估方法。首先介绍了目标识别方法的分类方法类型,然后选取基于此的两种常用的经典目标识别方法,进行简要介绍以及优缺点对比,在此基础上结合科学研究项目评估方法提出了一套可量化的目标识别方法评估标准与方法。通过设计实验验证其评估结果与经验相符,对工程应用中的目标识别方法择优有一定的参考价值。 

【文章来源】：工业控制计算机. 2020,33(11)

【文章页数】：3 页

【部分图文】：

使用Open CV进行目标识别

神经网络[7-8]是由具有适应性的简单单元组成的广泛并行互连的网络。卷积神经网络在图像识别领域的一直占据着一席之地，在训练样本充足的条件下表现相当稳定。在处理普通的大规模分类问题时，卷积神经网络可用于构建阶层分类器，也可以在精细分类识别中用于提取图像的判别特征以供其他分类器进行学习。卷积神经网络凭借其卷积和池化操作，能大大减少样本数据的处理负担，因而具有得天独厚的优势。但由于神经网络通常需要大量样本数据来保证其准确率，经常给科研工作带来困难，虽然目前出现了一些小样本解决方案，如反向传播（BP）神经网络、元学习等，但其识别准确率还不尽如人意。并且神经网络需要依赖性能强大的计算机，还需要大量的训练时间，也导致其在一些轻量级的设备平台应用受限。


本文编号：3603615