مصغرة المركبات الذاتية دراسة متعمقة للميزة البصرية خرائط

هذا المقال هو عبارة عن تجميع للAI Yanxishe بلوق التكنولوجيا، والعنوان الأصلي:

التصور العميق التعلم ميزة الخرائط في المركبات البسيطة ذاتية الحكم

الكاتب | نيلسون فرنانديز

الترجمة | AFP 1126

التدقيق، مراجعة | صلصة الكمثرى فان التشطيب | بيتا

الرابط الأصلي:

https://towardsdatascience.com/displaying-convnets-feature-maps-on-real-time-video-with-keras-and-opencv-418b986adda7

وقبل بضعة أشهر، بدأنا تصنيع Axionaut، راديو التلقائي صغير للرقابة (RC) سيارة، وشارك في بعض السباقات في باريس. حتى الآن جيد جدا، وحققنا نتائج جيدة. ومع ذلك، ونحن دائما على داخل التفاف السيارة التحكم في الشبكة العصبية غريبة عن ما حدث.

لقد رأينا بعض المقالات حول كيفية طيفة خرائط ميزة والمرشحات عرض الجانب، وهو أمر مفيد في فهم ورسم خرائط العصبية الكتابة ميزة الشبكة. ورأينا أيضا بعض بارد نفيديا فيديو، وعروض فيديو السيارة على تفعيل الطيار الآلي الشبكات العصبية في الوقت الحقيقي الطريق (ولكن كيف تفعل ذلك؟).

لذلك قررنا أن نبدأ من الصفر، ومحاولة لتكرار هذه التجربة في النموذج الأولي. للقيام بذلك، ونحن نستخدم Keras Convnet نموذج طيار متدرب قبل، وهناك بعض أشرطة الفيديو التي اتخذت خلال التدريب والمنافسة.

مع هذه بداية جيدة، لقد أمضينا بضعة أيام لإيجاد بعض الأجوبة على الأسئلة الكلاسيكية مثل "كيف ننظر إلى العالم من شبكة" و "التركيز على الشبكة ما هو في الواقع في نهاية المطاف."

لدينا خبرة والنتائج المعروضة هنا، يرجى زيارة الموقع باستخدام المنهج العلمي:

https://youtu.be/YC13O-U5MnY

تحقيق

إذا كنت كيفية القيام بذلك بالنسبة لنا غريبة قليلا، فإن أول شيء تحتاج إلى فهم خصائص رسم الخرائط طبقة الإلتواء في مجال الكشف عن نظر هو كيفية تفعيل الخصائص ذات الصلة. قاسية Pokharna هذا الجانب من مقال فعلت تفسير جيد جدا.

في هذه الحالة، لدينا سيارة إلى كشف حارة "الخبير

مثل الناس، دون الأخذ بعين الاعتبار عوامل أخرى (غيرها من المركبات، وعلامات الطريق والمشاة أو الوجهة)، وحارة يزودونا بمعلومات حول كيفية اتخاذ القرارات الصائبة. يجب أن ننتقل إلى اليسار؟ يمينا؟ تواصل مباشرة؟

حسنا، دعونا نعود إلى الموضوع. أول شيء يتعين علينا القيام به هو العثور طبقة التفاف مثيرة للاهتمام ورسم خريطة احتياجات الحرارة إلى تفعيلها. تحقيقا لهذه الغاية، استخدمنا هذا المخزون الهائل من نسخة معدلة قليلا.

الوسائل مع مراعاة ذكر طبقة "عميقة" هنا تأثير التفاف إعادة بنائها بالكامل مرة واحدة تفعيلها.

للبساطة، ونحن نريد لتقدير كمية من تفعيل طبقة واحدة من الالتواء، كما المستخدمة هنا، مكعب الاستيفاء سين، بدلا من التفاف العكسي. بعد كل الميزات على خريطة الشبكة للحصول على الفحص البصري، اخترنا طبقة التلافيف الثانية.

وسوف تظهر النتائج هنا:

إدخال صورة

ورسم الخرائط الثاني طبقة التلافيف

عند هذه النقطة، فمن الواضح أن الشبكة بشكل رئيسي في حارة استجابة. والخطوة التالية هي تفعيل صورة المدخلات الأصلية ومتداخلة، في الصورة الأصلية دون الإضرار شكل ولون الطريقة ردا على منطقة عالية الوضوح فرضه معا.

هنا لاستخدام مكتبة برمجية مفتوحة للرؤية الحاسوبية! أولا إنشاء قناع ثنائي، وتستخدم لتقسيم تفعيل جزء أعلى، في حين أن مجموعة كبيرة للتخلص من جهة أخرى. ويرجع ذلك إلى تنشيط صغيرة خرائط للمنطقة، نحتاج أيضا إلى زيادة أخذ العينات. ثم، وذلك باستخدام حصلت عمليات صورة أحادي المعامل المدمجة النهائية.

الأول هو أن تفعل المختصة بالبت قناع ثنائي ورسم الخرائط تفعيل "و" العملية. هذه العملية لا يمكن أن يتحقق بسهولة عن طريق مكتبة برمجية مفتوحة للرؤية الحاسوبية، مجزأة وتعيينها في أعلى جزء من عملية التنشيط.

قناع ثنائي

اضغط على المتجهات الذاتية "و" عملية قليلا حساب قناع و

كما هو متوقع، وصلنا أخيرا الإلتواء يتم قطع الشبكة العصبية تماما من ممر واضح.

الآن أعتقد أنك قد فكرت، من أجل استكمال الصورة النهائية، وتحتاج علينا أن نفعل الخطوة الثانية المختصة بالبت: AND العملية. الباردة صورة الزرقاء بسبب لمختلف Matplotlib (RGB) وتنسيق الألوان مكتبة برمجية مفتوحة للرؤية الحاسوبية (BGR) تسببت. يمكنك Daoteng خريطة التغيير إرادة اللون للحصول على ألوان مختلفة.

وبهذه الطريقة، لدينا أساس لجعل تنشيط تقدير معقول للشبكة على الصورة المدخلات وخريطة ميزة للتكامل النهائي.

الصورة النهائية بعد الاندماج

الآن، دعونا استخدام شريط فيديو لتقديم نتائج ذلك.

مشكلة

إذا كان لديك أي أسئلة، وسوف أكون سعيدا للإجابة في التعليقات. ومن هنا يوفر وصلات إلى مستودع المشترك، بما في ذلك كافة التعليمات البرمجية وقواعد البيانات. لا تنسى أن تابعونا على تويتر.

أريد الاستمرار لعرضها روابط ذات صلة والمراجع؟

انقر على الرابط لفتح الصحافة أو انقر فوق [مصغرة مستقلة المركبات عمق التعلم ميزة خريطة التصور]:

https://ai.yanxishe.com/page/TextTranslation/1206

AI Yanxishe المحتوى مثيرة تحديثها يوميا، وعرض محتوى أكثر إثارة: شبكة شبكة شبكة لى فنغ لى فنغ لى فنغ

CVPR 2018 أفضل من الأوراق عشر

الأهداف عمق التعلم من خوارزمية الكشف