工业环境老鼠目标检测
向AI转型的程序员都关注了这个号👇👇👇
人工智能大数据与深度学习 公众号：datayx
本工程着重识别工业环境中的老鼠，以便能够得到及时、有效的处理。本工程的难度如下（如果有条件，养只大猫咪，可能效果更佳....）：
老鼠与背景色难以区分
老鼠经常出没在晚上，增加了识别难度
老鼠体型较小，传统的图像处理方法和神经网络方法难以识别
工业环境要求较高的处理速度，一般的神经网络方法难以满足
项目 获取方式
关注微信公众号 datayx 然后回复 老鼠 即可获取。
AI项目体验地址 https://loveai.tech
实现方法简介
鉴于本项目天然的难度，采用单一手段无法处理，现使用复合方法：
采用YOLOV3-darknet为backbone的主干神经网络结构，以残差方减小梯度消失（YOLOV3拥有20+的FPS，能够满足高性能的工业需求）
采用双帧差分监测帧与帧之间像素级别变化，并改动网络结构做重点监督训练（解决夜晚识别效果差问题、解决老鼠天然保护色问题）
修改主干网络先验框尺寸，方便小物体能得到充分的学习（解决小物体检测问题）
主干网络的选择依据：
相比较 Focal Loss for Dense Object Detection 和 Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks,YOLOV3算法能够在基本满足识别效果的同时，保持高速的运算速度
相比较SSD: Single Shot MultiBox Detector算法，二者处理速度相差较小，但是YOLOV3算法对小物体的识别效果更好（能够灵活改动先验anchor）
主干网络结构如下：
自主调整先验框大小（anchor）：
如何使用本项目
模型线上效果展示
以下为工业环境实际应用，目标较小：
阅读过本文的人还看了以下文章：
基于40万表格数据集TableBank，用MaskRCNN做表格检测
《深度学习入门：基于Python的理论与实现》高清中文PDF+源码
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
PyTorch深度学习快速实战入门《pytorch-handbook》
【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》
李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材
【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类
如何利用全新的决策树集成级联结构gcForest做特征工程并打分？
Machine Learning Yearning 中文翻译稿
斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）
中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx
机大数据技术与机器学习工程
搜索公众号添加： datanlp
长按图片，识别二维码