基于深度学习的花卉图像关键点检测
点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达
在本文中，我们描述了我们如何使用卷积神经网络 (CNN) 来估计花卉图像中关键点的位置，并且在 3D 模型上渲染这些图像上茎和花的位置等关键点。
为了能够与真实花束的照片对比，所创建的图像必须尽可能逼真。这是通过使用从多个角度拍摄的真实花朵照片并将它们渲染在 3D 模型上来实现的。对于每一朵新花，他们都会从 7 个不同的角度拍摄照片。在照相亭中，花朵由电机自动旋转。
相比之下，图片的后期处理还没有完全自动化。目前数据库中有数千种鲜花，每天都会添加新的鲜花。将此乘以角度数，将获得大量要手动处理的图片。后处理步骤之一是定位 3D 模型所需的图像上的几个关键点，最重要的是茎位和花顶位置。
数据集
在数据集中，成千上万的图像已经手动标注了关键点，所以我们有大量的训练数据可以使用。
以上是训练数据集中的一些带注释的花，它从几个不同的角度展示了同一朵花。茎位置为蓝色，花顶部位置为绿色。在一些图片中，茎的起源被花本身隐藏了。在这种情况下，我们需要“有根据的猜测”最有可能在哪里。
网络模型
因为模型必须输出一个数字而不是一个类，所以我们实际上是在做回归。CNN 以分类任务而闻名，但在回归方面也表现良好。例如，DensePose使用基于 CNN 的方法进行人体姿势估计。
网络从几个标准卷积块开始。这些块由3个卷积层组成，然后是最大池、批量标准化层和退出层。
所述卷积层含有多个滤波器。每个过滤器就像一个模式识别器。下一个卷积块有更多的过滤器，所以它可以在模式中找到模式。
相关知识
基于深度学习特征的植物病虫害检测
基于深度学习的花卉图像分类算法研究
基于深度学习的花卉图像种类识别
深度学习在植物病害目标检测的科研进展
基于深度学习的植物病虫害智能检测系统研究
基于深度学习的花卉图像分类识别模型研究
毕业设计：基于深度学习的野生花卉识别分类算法系统 目标检测
基于深度学习和迁移学习的识花实践
基于深度学习的农作物病虫害识别系统
基于深度学习的病虫害智能化识别系统
网址: 基于深度学习的花卉图像关键点检测 https://m.huajiangbk.com/newsview541381.html
| 上一篇: 上海又一条宝藏Citywalk路 |
下一篇: 深根系花卉的品种及生长特点（探索 |
