- 综合排序
- 最热优先
- 最新优先
- 来自专栏千行百业数据集中心
roi区域识别 指定区域检测 区域入侵检测及停留时长统计
区域入侵检测项目概述主要展示了一个利用计算机视觉分析等待时间以及监测物体或人员在视频帧预定义区域停留时长的实践演示，适用于零售分析或交通管理等领域。 enter完成当前多边形绘制、escape取消当前多边形绘制、q退出绘图窗口、s保存区域配置视频与流处理脚本inference_file_example：使用Roboflow推理模型对视频文件进行目标检测 类似，多了--rtsp_url（视频流的完整RTSPURL）ultralytics_file_example：使用UltralyticsYOLOv8模型对视频文件进行目标检测-部分参数与inference_file_example 类似，不同参数有--weights（模型权重文件路径，默认’yolov8s.pt’）、--device（计算设备，默认’cpu’）ultralytics_stream_example：使用UltralyticsYOLOv8 模型在视频流上运行目标检测，参数与ultralytics_file_example类似，多了--rtsp_url（视频流的完整RTSPURL）许可协议ultralytics（YOLOv8模型）：基于AGPL
1400编辑于 2026-06-06 - 来自专栏半杯茶的小酒杯
目标检测(Object Detection)-Faster RCNN中的ROI Pooling Layer
什么是ROI Pooling ROI(Region Of Interest)是从目标图像中识别出的候选识别区域。 Faster RCNN架构 ROI Pooling算法 ROI Pooling不同于CNN 网络中的池化层，它通过分块池化的方法得到固定尺寸的输出。 假设ROI Pooling层的输出大小为 ，输入候选区域的大小为 ，ROI Pooling的过程如下: 1) 把输入候选区域划分为 大小的子网格窗口，每个窗口的大小为 2) 对每个子网格窗口取最大元素作为输出 2x2 ROI Pooling Layer 如上图所示，假设Feature Map大小为4x4，候选ROI区域大小为3x3，通过2x2的ROI Pooling Layer得到2x2的归一化输出。 Faster RCNN中的ROI Pooling ROI Pooling的输入: 1) 通过神经网络获取的固定大小的Feature Map； 2) RPN网络产生的一系列RoIs，RoIs是nx5的矩阵
2.2K31编辑于 2022-04-28 - 来自专栏小鹏的专栏
OpenCV之图像ROI与ROI操作
cy = h//2 cx = w//2 roi = src[cy-100:cy+100,cx-100:cx+100,:] cv.imshow("roi", roi) # copy ROI image = np.copy(roi) # modify ROI roi[:, :, 0] = 0 cv.imshow("result", src) # modify copy roi image[:, : , 2] = 0 cv.imshow("result", src) cv.imshow("copy roi", image) # example with ROI - generate mask src2 ("roi", roi); Mat image = roi.clone(); // modify ROI roi.setTo(Scalar(255, 0, 0)); imshow("result roi", image); // example with ROI - generate mask Mat src2 = imread(".
78920发布于 2021-07-19 - 来自专栏TGLTommyAI前沿技术论文
笔记分享 : 一文读懂3个概念 : RoI, RoI pooling, RoI Align
哈喽，大家好，今天我们一起学习一下三个重要的概念：RoI，RoI pooling 和 RoI Align 相信学习CV（Computer Vision）的同学对此并不陌生，完全理解这三个概念有助于我们掌握深度学习目标检测与识别算法 接下来，我们一起开启“RoI探险之旅” : 第一部分：RoI 1. 上帝之问：RoI是个什么鬼?? 第二部分：RoI pooling 当我们将原图上的RoI映射到feature map上之后，我们可以应用pooling。其实，这里也有一个问题：为什么要用RoI pooling ? 总结：RoI pooling最大的问题就是操作会导致数据丢失，影响整个模型分类和定位的准确性，解决方式就是引入了RoI Align。 第三部分：RoI Align 1. 什么是RoI Align ？ RoI Align 解决了 RoI pooling中的数据丢失问题，这里使得数据能够保全，没有丢失。它们之间的区别在于量化，RoI Align在data pooling中没有使用量化。 2.
21.9K1111发布于 2021-05-28 - 来自专栏深度学习和计算机视觉
RoI Pooling 与 RoI Align 有什么区别？
基本概念 RoI RoI(Region of Interest)是通过不同区域选择方法，从原始图像(original image)得到的候选区域(proposal region)。 需要注意的一点是RoI并不等价于bounding box, 它们可能看起来像，但是RoI只是为了进一步处理而产生的候选区域。 bounding box boundding box 指的是检测目标的边界矩形框。 量化 量化(quatization)是指将输入从连续值（或大量可能的离散取值）采样为有限多个离散值的过程。 RoI Pooling = crop feature + resize feature 通过上图的容易得到，RoI Pooling的作用本质上是为了将不同尺寸的RoI特征转换为相同的特征图输出，保证特征图展开 下图中绿色框为RoI对应的实际区域（由于经过特征尺度变换，导致RoI的坐标会可能会落到特征图的单元之间）， 蓝色框代表量化(网格对齐)后的RoI所对应的特征图。
1.4K10编辑于 2022-02-14 - 来自专栏互联网数据官iCDO
ROI已死？
似乎只有这几个了，另外一些猛投效果类广告的行业，其实根本不可能仅仅通过购买流量实现利润为正（请注意是利润为正，不是ROI大于1，ROI大于1比比皆是，但是ROI很多时候大于2甚至3也未必有正向利润），他们投效果的目的是为了更长时间维度的盈利 流量变现的ROI永远不可能升高。流量在不断涨价，cpi却基本上很稳定。所以，ROI怎么升高呢。 4 ROI不能反映归因状况 低ROI的渠道并不一定就差，高ROI的渠道也不见得就牛逼。 这样ROI的价值必然会下降。 ROI，但ROI早已不是营销的标的。
97920发布于 2019-10-06 - 来自专栏计算机视觉理论及其实现
RoI Pooling与RoIWrap Pooling与RoIAlign Pooling与Precise RoI Pooling
操作带来的检测精度影响越来越小。 RoI Pooling这种Pooling方法我是在Faster RCNN中看到的，该种Pooling方法采用的运算方法比较直接。下面是其计算的流程图：? 可以看出这里去掉了第二次的量化操作，进而减小了误差，也提升了检测的精度。4. 从而提升了检测的精确度。? 那么它具体是怎么搞的呢？还是用之前的例子来看看吧。 这就使得其检测精确度进一步提升。具体的差别有多大呢？可以看一下Mask RCNN中给出的实验数据。?5. Precise RoI Pooling?
1.3K20编辑于 2022-09-02 - 来自专栏大数据那些事
keepalived（8）——http、tcp检测
再在192.168.19.137上开启httpd服务，发现keepalived检测到后将主机192.168。19.137重新加回lvs集群： ? ? 再去访问成功轮训： ? 实践完毕，最重要的就是对HTTP_GET配置段的合理规划 同样我们也可以设置tcp的检测方式（TCP_CHECK段）
1.2K40发布于 2020-11-11 - 来自专栏疯狂学习GIS
ENVI感兴趣区ROI文件由XML格式转为ROI格式
本文介绍在ENVI软件中，将用户自行绘制的.xml格式的感兴趣区（ROI）文件转换为.roi格式的方法。 绘制完毕后，我们需要通过右击ROI列表，选择“Save As”保存我们刚刚绘制好的ROI文件。 可是这样保存后，软件强制设定默认的文件格式为.xml格式，而非.roi格式；如下图所示。 当然，对于新版本的ENVI软件，其虽然默认保存.xml格式的ROI文件，但也完全支持对老版本.roi格式ROI文件的读取；但有时由于一些原因，我们可能必须要将绘制好的ROI文件保存成.roi格式。 在我们的ROI文件列表中，任意选择一个ROI类型并双击，打开Region of Interest (ROI) Tool窗口。 选择我们要保存的ROI文件类别，并配置后文件名与路径。 即可看到，我们已经成功获得了.roi格式的ROI文件，即完成了由.xml格式向.roi格式的转换。 至此，大功告成。
1.6K10编辑于 2022-08-10 - 来自专栏我的知识小屋
八、ROI泛洪填充
一、学习目标 了解什么是ROI 了解floodFill的使用方法 如有错误欢迎指出~ 二、了解OpenCV中图像ROI的颜色填充 2.1 了解ROI是什么 ROI指的是region of Interest 我们得到ROI内容后，可以对该部分的内容进行编辑，例如转为灰度图像： gray_roi = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY) cv2.imshow("gray_roi .imshow("gray_roi", gray_roi)#显示图像 gray_roi_rgb = cv2.cvtColor(gray_roi, cv2.COLOR_GRAY2BGR)#灰度图像转RGB 由于我们需要建立一个遮罩，这个遮罩跟原图片大小一致，所以代码可以写成如下： h, w = copyimg.shape[:2] mask = np.zeros([h + 2, w + 2], np.uint8) imshow("img", img) copyimg = img.copy() h, w = copyimg.shape[:2] mask = np.zeros([h + 2, w + 2], np.uint8)
1.1K10发布于 2021-01-14 - 来自专栏AI深度学习求索
ROI操作：ROIPooling和ROIAlign
目标：为了使得检测网络可以输入任意size的图片，使用ROIPooling在网络中某一个阶段将不同尺度的图片ROI pooling成相同的尺度，使得fc的存在也无法写死输入图片的size。 具体计算： 下图为一张8*8的feature map，选取其中一个5*7的region输入ROIPooling输出2*2的结果。 具体计算： 下图为一张8*8的feature map，选取其中一个5*7的region输入ROIPooling输出2*2的结果。
4.6K20发布于 2018-12-11 - 来自专栏AIUAI
Caffe源码 - RoI Pooling 层
RoI Pooling 层 caffe prototxt 定义： layer { name: "roi_pool5" type: "ROIPooling" bottom: "conv5" : 0.0625 # 1/16 } } caffe caffe.proto ROI Pooling 层参数说明： optional ROIPoolingParameter roi_pooling_param = this->layer_param_.roi_pooling_param(); CHECK_GT(roi_pool_param.pooled_h(), 0) << "pooled_h must _); // bottom-fight y2 CHECK_GE(roi_batch_ind, 0); CHECK_LT(roi_batch_ind, batch_size); int roi_height = max(roi_end_h - roi_start_h + 1, 1); int roi_width = max(roi_end_w - roi_start_w + 1, 1); // RoI
1.1K50发布于 2019-02-18 - 来自专栏服务端技术杂谈
ROI解决什么问题？
在工作中，大家经常讨论ROI。 但，有时你会发现，ROI已经被滥用了。 有时，ROI变成了一种僵化的流程。用ROI当作挡箭牌，让不作为藏在背后，给自己的主动性差、执行力差找到了借口。 我们可以想象下，工作中什么时候大家习惯提到ROI。 其实ROI一般是用于实现某个目标的过程上。 比如目标确定了，我们要完成目标，这时才通过ROI考虑哪种实现方式最合适。 在多种方式中，我们会考虑结合自身能力、资源以达成目标成本最低的那个，那这个过程就是考虑ROI合适的那个方式。 但有些人，误将ROI当作是否树立目标的参考方式。 比如，因为ROI低，所以这个目标不成立，或者考虑不去完成这个目标。 这种就大错特错了。 因为目标是一定要完成的，ROI才是你选择最合适实现目标的那种方式的评估标准。 尽管我们知道了ROI存在于how的部分，那过度聊ROI其实也是一种偷懒的行为。 这往往是由我们对于一件事情所树立的世界观决定的。
78410编辑于 2023-03-22 - 来自专栏3D视觉从入门到精通
遮挡重叠场景下|基于卷积神经网络与RoI方式的机器人抓取检测
对RoI进行抓取检测需要两个步骤：首先，使用RoI获得一批具有相同W×H（例如7×7）大小的RoI特征，并且所有RoI都被划分为W×H网格单元。 其次，使用抓取检测网络来检测对RoI中潜在的抓取。 所有潜在的抓取都能在RoI上检测到。 抓握检测网络经过训练，不仅可以输出抓取矩形，还可以确定抓取是否属于RoI。在抓取检测网络中，在RoI池和抓取检测器之间添加了三个残差块，以扩大特征图的感受野。 因此，每个抓取有10个维度：8个浮点数用于抓取矩形的4个顶点的坐标，1个布尔值用于“easy”或“hard”，1个无符号整数用于抓取所属的对象实例的索引。 从表I中我们可以看出，我们提出的基于RoI的抓取检测（RoI-GD）大大提高了检测性能。 从表II中可以看出，我们的算法在所有8个目标上的预测和执行总体成功率分别为89％和84％。这些结果表明，我们的模型可以推广到具有杂乱对象的复杂场景，以掌握特定目标。 ?
2.9K10发布于 2020-12-11 - 来自专栏相约机器人
8行代码中的人脸检测，识别和情感检测！
人脸检测和识别是一个研究很多的话题，网上有大量的资源。已经尝试了多个开源项目，以找到最准确实现的项目。还创建了一个管道，用于在加载图像后只需8行代码就任何输入图像进行检测，识别和情感理解！ https://github.com/priya-dwivedi/face_and_emotion_detection 本博客分为3部分： 面部检测 - 能够检测任何输入图像或帧中的面部位置。 这是通过比较面嵌入向量来完成的 情绪检测 - 将脸上的情绪分类为快乐，愤怒，悲伤，中立，惊讶，厌恶或恐惧 面部检测 面部检测是管道的第一部分。 此库扫描输入图像并返回所有检测到的面的边界框坐标，如下所示： 人脸检测 下面的代码段显示了如何使用face_recognition库来检测面部。 情绪检测 人类习惯于从面部情绪中获取非语言暗示。现在计算机也越来越好地阅读情感。那么如何检测图像中的情绪呢？
1.6K20发布于 2019-06-21 - 来自专栏深度学习和计算机视觉
使用YOLOv8检测棋盘棋子
重磅干货，第一时间送达 本文作为yolov8的手把手教程呈现~ 在本文的基础上，可以为任何目标检测任务训练模型。训练定制YOLO模型可能相当复杂，尤其是对于初学者。 检测棋盘棋子 训练模型 训练一个模型可能耗时，甚至可能需要超过一周的时间。影响训练时间的三个主要因素是：数据大小、GPU能力和训练参数。 更多的数据需要更多的训练时间，但是模型的训练效果也会更好。 简单来讲，训练主要有7个步骤： 创建数据 为项目创建文件夹 创建YAML文件 选择一个预训练的YOLOv8模型 创建一个用于训练的Python文件并训练模型 观察模型指标 测试模型 1. 本文使用Roboflow的棋盘棋子检测数据集（见文末） 2. 选择一个预训练的YOLOv8模型 有许多预训练的YOLOv8模型，选择预训练模型完全取决于你的目的。
63611编辑于 2024-12-05 - 来自专栏YOLO大作战
YOLOv8-Pose关键点检测
YOLOv8-Pose关键点检测✨✨✨手把手教你从数据标记到生成适合Yolov8-pose的yolo数据集；模型性能提升、pose模式部署能力；应用范围：工业工件定位、人脸、摔倒检测等支持各个关键点检测 ；实时更新中，模型轻量化创新结果如下：layersparametersGFLOPskbmAP50mAP50-95yolov8-pose18733794969.668420.9210.697yolov8- -C2f_DCNV3-pose34128959308.659700.9260.743yolov8-C2f_PConv-pose20530182968.561340.9250.695yolov8-C2f_BiLevelRoutingAttention-pose20530182968.561340.9260.734yolov8 -C2f_ScConv-pose2563188264964790.9210.7yolov8-slimneck-pose30933782008.969320.930.829yolov8-C2f_RepvggOREPA-pose28045651928.493590.9150.677yolov8 -C2f_OREPA-pose19645625048.293030.9310.691YOLOv8-C2f_LSKA_Attention-pose22629870008.560800.9250.652yolov8
2.6K30编辑于 2023-11-08 - 来自专栏YOLO大作战
YOLOv8小目标检测介绍
Yolo小目标检测，独家首发创新（原创），适用于Yolov5、Yolov7、Yolov8等各个Yolo系列，专栏文章提供每一步步骤和源码，带你轻松实现小目标检测涨点 重点：通过本专栏的阅读，后续你可以结合自己的小目标检测数据集 1.小目标检测介绍 1.1 小目标定义 1）以物体检测领域的通用数据集COCO物体定义为例，小目标是指小于32×32个像素点（中物体是指32*32-96*96，大物体是指大于96*96）； 2）在实际应用场景中 ，通常更倾向于使用相对于原图的比例来定义：物体标注框的长宽乘积，除以整个图像的长宽乘积，再开根号，如果结果小于3%，就称之为小目标； 1.2 难点 1）包含小目标的样本数量较少，这样潜在的让目标检测模型更关注中大目标的检测 我们推测这使得小目标检测的在验证时的通用性变得很难； 3）anchor难匹配问题。 ：1 目录 1.小目标检测介绍 1.1 小目标定义 1.2 难点 2.
7K20编辑于 2023-11-11 - 来自专栏AI机器学习与深度学习算法
OpenCV-感兴趣区域ROI
本小节介绍的是ROI。 什么是ROI？ ROI(region of interest)，即感兴趣区域。感兴趣区域，就是分析图像所关注的焦点。 比如说，我们对一张图片进行人脸的识别，此时我们只需要关注图片中人脸的部分即可，也就是说此时人脸所在的区域就是我们所关注的焦点，也就是感兴趣的区域(ROI)。 提取图片中ROI 提取ROI图片名为"my_love.jpg"： ? 此时我们感兴趣的地方为美女的脸，提取图片中人脸的部分，具体代码如下： ? 提取出来的人脸部分： ? 将图片转换为了三维数组，其实提取roi，简单来说就是获取数组中指定区域的值，由于第三个维度是通道数，我们只关注整张图片中的某一区域，因此在提取的时候不需要考虑第三个维度。 可以把我们关注的区域(ROI)提取出来，相应的也可以将ROI区域合并到原始的图像中去。为了效果明显，我们将提取出来的face进行色彩空间转换，然后将转换后的face合并到原始的图像中。 ?
1.8K00发布于 2019-11-13 - 来自专栏腾讯大讲堂的专栏
【活动推荐】ROI 深度解读沙龙
PMTalk携手腾讯大讲堂联合举办 PMTalk4周年产品ROI主题活动 分享的嘉宾拥有7年以上产品/运营经验，案例实操分享 让互联网产品/运营从业工作者年底来一次思维的冲击！
45620编辑于 2022-01-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号