- 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 source_video_path：源视频文件路径--model_id：Roboflow模型ID--classes：要跟踪的类别ID列表（为空则跟踪所有类别）--confidence_threshold：检测的置信水平 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 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
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。 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。 4个划分后子窗口分别为1、2、3、5(5最大)，3、7(7最大)，9、10(10最大)，11(11最大)，然后对每个子窗口做Max Pooling。 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?? 解决措施就是用量化操作，说白了，就是向下取整，例如：9.25改为9，4.53改为4. 如图-07所示，量化后的RoI : ? 观察一下上图，深蓝色区域为丢弃的区域，左边的红色区域为新增的区域。 RoI Align 原理 ① 首先将feature map上的RoI切分成9个相等尺寸的boxes，如图-14所示： ? 也就是说：每个box的size都取决于feature map上的RoI的大小和pooling层的大小。 如图-15所示，我们将RoI切分为9个boxes： ?
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 以上代码读取图片后，通过选取图片区域进行ROI选择。 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 =img[200:400,280:450] cv2.imshow("roi", roi)#显示图像 gray_roi = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY) cv2 .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
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。
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 MAR-YOLOv9：革新农业检测，YOLOv9的“低调”逆袭
为了解决这些问题，本研究提出了一种基于YOLOv9的轻量级、跨数据集增强的农业领域目标检测方法，命名为多适应性识别-YOLOv9（MAR-YOLOv9）。 MAR-YOLOv9解决了传统YOLOv9中由于检测颈部和辅助分支结构导致的训练时间过长和权重冗余问题，使其能够在保持高性能的同时降低模型的计算复杂度并提高检测速度，从而更适用于实时检测任务。 MAR-YOLOv9：专为农业设计的轻量级解决方案为了应对上述挑战，我们提出了多适应识别YOLOv9（MAR-YOLOv9）——一种基于YOLOv9的农业领域轻量级跨数据集增强目标检测方法。 、上采样和拼接连接策略采用混合连接策略，灵活利用不同层级特征解决了传统YOLOv9中检测颈部和辅助分支导致的训练时间增加、权重冗余问题双路径检测架构主检测分支：负责主要特征提取和目标检测辅助检测分支：通过可逆辅助设计 ，MAR-YOLOv9能够更准确地检测小尺寸的作物目标，减少漏检。
34510编辑于 2025-12-04- 来自专栏往期博文
【OpenCV】Chapter9.边缘检测与图像分割
OpenCV并没有直接提供相应的函数接口，因此通过自定义卷积核可以实现各种边缘检测算子。 OpenCV提供了函数cv.Canny实现Canny边缘检测算子。 SplitMerge(src, dst3, hImg, wImg, 0, 0, maxMean, minVar, cell=8) # 最小分割区域 cell=8 plt.figure(figsize=(9, labels.flatten()] # 将像素标记为聚类中心颜色 imgKmean5 = classify.reshape((img.shape)) # 恢复为二维图像 plt.figure(figsize=(9, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY_INV) plt.figure(figsize=(9,
2.1K10编辑于 2022-09-28 - 来自专栏单细胞天地
Seurat4.0系列教程9：差异表达检测
加载数据 library(Seurat) library(SeuratData) pbmc <- LoadData("pbmc3k", type = "pbmc3k.final") #执行默认差异表达检测 2.325013 0.162 0.864 6.143554e-64 ## S100A8 7.471811e-65 3.766437 0.975 0.500 1.024684e-60 ## S100A9 pct.1 ：在第一组检测到该基因的细胞百分比 pct.2 ：在第二组检测到该基因的细胞百分比 p_val_adj：校正后的 p 值，基于使用数据集中的所有基因的Bonferroni校正。 为了提高marker检测的速度，特别是对于大型数据集，Seurat 允许对基因或细胞进行预过滤。 例如，在两组细胞中很少检测到的基因，或在平均水平表达类似的基因，不太可能有差异表达。下面演示了几个参数的使用。
1.8K11编辑于 2022-01-10 - 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
物体检测器基于Faster-RCNN，它使用RoI来回归物体位置并进行分类。我们在RoI合并后级联包括几个卷积层和抓取检测器的抓取检测管道。 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。 通过RoI汇集，RoIs裁剪的卷积特征被汇集到相同大小的W×H。在基于RoI的抓取检测中，网络被设计用于检测属于特定RoI的抓取而不是所有潜在的抓取。 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。
2.9K10发布于 2020-12-11 - 来自专栏计算机视觉
深度学习500问——Chapter08：目标检测（9）
8.5 目标检测的技巧汇总 8.5.1 Data Augmentation 介绍一篇发表在 Big Data上的数据增强相关的文献综述。 1. 如车站人脸检测，只需要中心检测时，就可以加合适的平移增强。平移后空出部分填0或者255，或用高斯分布噪声。 Noise injection 在像素上叠加高斯分布的随机噪声。 归结可以认为是训练检测阶段的一致性。当然，这种手段时间成本太高，只在如医学影响等追求精度的关键领域可以使用。 Introduction 上次亚马逊发了个分类的训练trick在CVPR上，这次是检测的，还没发表。就没什么多说的了，下面直接介绍。 技术细节： 相比于分类的resize，为了保证检测图像不畸变影响效果，作者选择直接叠加，取最大的宽高，空白进行灰度填充，不进行缩放。
40800编辑于 2024-05-24 - 来自专栏往期博文
【目标检测】YOLOv9理论解读与代码分析
图d就是yolov9提出的pgi思想，想法挺简单，一方面是继续保留Deep Supervision的设计，在浅层就搞一个检测头，另一个方面是单开一路，将原图单独塞入一个辅助可逆训练分支(Auxiliary Reversible Branch)，这其实类似于copy了一个主分支的backbone，蓝色的是原始的主分支，在主分支做neck部分的时候，一方面在浅层就直接做一个检测头，令一方面和原始一样，到深层再去检测 按照论文所述，YOLOv9共分四个版本，从小到大依次为小型(yolov9-s)、中型(yolov9-m)、紧凑型(yolov9-c)、扩展型(yolov9-e)，截至目前，该仓库只开源了后两者型号。 另外，仓库里还有一些实验性的文件和yolov9无关，是作者令一项最新工作：YOLOR-Based Multi-Task Learning，这篇工作是想通过多个不同的任务，比如目标检测、实例分割、语义分割和图像描述来相互促进 下面看一些除网络结构外的代码细节，比如，yolov9在辅助训练部分，加了一组检测头，相当于共有6个检测头，此代码对应DualDDetect， class DualDDetect(nn.Module):
3.3K01编辑于 2024-05-24 - 来自专栏网络技术联盟站
Linux性能检测常用的9个基本命令
作为一个Linux运维人员，主要就是对Linux服务器的性能做一些优化，本篇博文仅仅介绍如何性能检测常用的指令！ ，每秒发送的压缩包的数量； rxmcst/s，每秒接收的组数据包数量； 返回信息： active/s：发起的网络连接数量； passive/s：接收的网络连接数量； retrans/s：重传的数量； 9） 5144512k free[空闲交换区总量], 2013180k cached[缓冲的交换区总量], 本文作者：吕振江 本文链接：http://yoursite.com/2020/03/09/Linux性能检测常用的 9个基本命令/
2.3K20发布于 2020-05-14 - 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
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