关键点校准和集群用于硬例采矿鱼眼镜中的密集类型

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 图像处理 图像处理

背景情况:

• 鱼眼镜片提供了广的视野,但引入了显著的图像扭曲.
• 这种扭曲挑战了对象的准确识别,特别是密集的类型,使用卷积神经网络 (CNN).
• 现有的CNN模型在模拟扭曲的对象方面扎,导致难以分类的例子被错误分类.

研究的目的:

• 为了提高鱼眼图像中密集类型的智能识别 (IRDA) 的准确性.
• 为了解决当前CNN模型在处理鱼眼透镜扭曲方面的局限性.
• 提出一种新的算法,用于纠正因图像扭曲引起的错误分类.

主要方法:

• 开发一种新的关键点校准和聚类 (KPCC) 算法.
• 使用半球投影模型进行扭曲校正.
• 将KPCC与传统方法比较,例如Focalloss,QFocalloss和在线硬实例挖矿 (OHEM).

主要成果:

• KPCC算法有效地纠正了CNN预测中的硬实例错误分类.
• 在智能零售数据集上,KPCC在IRDA表现方面取得了显著的改善.
• 使用KPCC方法,精度增加了8.55%,回忆增加了8.07%.
• 与Focalloss,QFocalloss和OHEM相比,KPCC显示出优越的硬实例挖掘能力,特别是在扭曲的密集类型中.

结论:

• 拟议的KPCC算法是一种轻量级,计算效率高,稳定的校准和集群方法.
• KPCC显著提高了IRDA在具有挑战性的鱼眼图像场景中的准确性.
• 这种方法比现有的扭曲物体检测技术有了显著的改进.