开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

为什么对象检测CNN的边界框必须与图像边界平行？

对象检测是计算机视觉领域中的一个重要任务，它的目标是在图像或视频中准确地定位和识别出感兴趣的物体。在对象检测中，边界框是用来标记物体位置的矩形框，而CNN（卷积神经网络）是一种常用的深度学习模型，用于实现对象检测任务。

边界框必须与图像边界平行的原因有以下几点：

简化计算：边界框与图像边界平行可以简化计算，减少复杂度。在对象检测任务中，需要对图像进行分割和特征提取，然后对提取的特征进行分类和定位。如果边界框与图像边界不平行，将增加计算量和复杂度，降低算法的效率。
提高准确性：边界框与图像边界平行可以提高检测算法的准确性。由于CNN模型是基于图像的局部特征进行学习和预测的，如果边界框与图像边界不平行，可能会导致物体的一部分被遮挡或超出边界框，从而影响检测结果的准确性。
简化标注：边界框与图像边界平行可以简化标注过程。在进行对象检测任务时，通常需要手动标注物体的边界框，如果边界框与图像边界平行，标注过程更加简单和直观。
便于后续处理：边界框与图像边界平行可以方便后续处理和应用。在对象检测任务中，边界框的位置和大小信息对于后续的跟踪、分析和应用非常重要。如果边界框与图像边界不平行，可能会导致后续处理的困难和复杂性增加。

腾讯云相关产品和产品介绍链接地址：

腾讯云图像识别（https://cloud.tencent.com/product/imagerecognition）
腾讯云视觉智能（https://cloud.tencent.com/product/vision）
腾讯云人工智能（https://cloud.tencent.com/product/ai）
腾讯云物联网（https://cloud.tencent.com/product/iotexplorer）
腾讯云移动开发（https://cloud.tencent.com/product/mobiledevelopment）
腾讯云存储（https://cloud.tencent.com/product/cos）
腾讯云区块链（https://cloud.tencent.com/product/baas）
腾讯云元宇宙（https://cloud.tencent.com/product/vr）

请注意，以上链接仅供参考，具体产品选择应根据实际需求和情况进行评估和决策。

相关搜索:检测图像上的对象边界太慢通过视频对象检测的边界框坐标 python中CNN多类图像分类的边界框预测 Tensorflow对象检测模块中的边界框数量如何获取检测到的对象的边界框坐标图像中所有不同对象周围的边界框在iOS上使用Google ML对象检测和在图像上绘制边界框 Tensorflow对象检测api获取按边界框坐标排序的预测如何使用tensorflow对象检测API统计检测到的对象(在边界框中)的数量图像处理:在(相当)相同的背景颜色上检测对象的边界 Tensorflow对象检测API的每个边界框的概率分布/置信度分数在Tensorflow对象检测API中，如何计算多个边界框预测的IoU？如何为具有单个对象检测类的多个边界框准备标签数据？如何获得检测到的图像的轮廓(使用cnn对象检测)而不是矩形框？基于对象分割的图像数据生成器+自动标注+自动绘制边界框为什么opencv houghline检测到的直线与图像中的真实直线不平行？如何使用tf.image.draw_bounding_boxes在原始图像上绘制边界框以显示检测到对象的位置？在tensorflow对象检测API之后，裁剪训练和测试数据中的所有边界框如何在用kotlin编写的android studio应用程序中围绕检测到的对象绘制边界框是否有一种方法可以仅显示视频中仅具有检测到的对象边界框的帧

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

深度 | 用于图像分割的卷积神经网络：从R-CNN到Mark R-CNN

选自Athelas 作者：Dhruv Parthasarathy 机器之心编译参与：王宇欣、hustcxy、黄小天卷积神经网络（CNN）的作用远不止分类那么简单！在本文中，我们将看到卷积神经网络（CNN）如何在图像实例分割任务中提升其结果。自从 Alex Krizhevsky、Geoff Hinton 和 Ilya Sutskever 在 2012 年赢得了 ImageNet 的冠军，卷积神经网络就成为了分割图像的黄金准则。事实上，从那时起，卷积神经网络不断获得完善，并已在 ImageNet 挑战上超

06

综述：用于自动驾驶的全景鱼眼相机的理论模型和感知介绍

文章：Surround-view Fisheye Camera Perception for Automated Driving: Overview, Survey & Challenges

02

两阶段目标检测指南：R-CNN、FPN、Mask R-CNN

计算机视觉中最基本和最广泛研究的挑战之一是目标检测。该任务旨在在给定图像中绘制多个对象边界框，这在包括自动驾驶在内的许多领域非常重要。通常，这些目标检测算法可以分为两类：单阶段模型和多阶段模型。在这篇文章中，我们将通过回顾该领域一些最重要的论文，深入探讨用于对象检测的多阶段管道的关键见解。

03

SSD（单次多盒检测）用于实时物体检测

卷积神经网络在检测图像中的物体时优于其他神经网络结构。很快，研究人员改进了 CNN 来进行对象定位与检测，并称这种结构为 R-CNN（Region-CNN）。R-CNN 的输出是具有矩形框和分类的图像，矩形框围绕着图像中的对象。以下是 R-CNN 的工作步骤：

02

卷积神经网络在图像分割中的进化史：从R-CNN到Mask R-CNN

王小新编译自 Medium 量子位出品 | 公众号 QbitAI 卷积神经网络（CNN）不仅能用来对图像进行分类，还在图像分割任务重有着广泛的应用。 Dhruv Parthasarathy就职于Athelas，一家专注于深度学习技术的医疗健康公司。他在Medium上发布了一篇博客文章，介绍了在具体的图像分割任务中如何应用卷积神经网络，来得到更好的效果。以下内容编译自Parthasarathy文章：自从深度学习鼻祖Geoff Hinton与他的研究生Alex Krizhevsky和Ilya Sut

05

IDA-3D:基于立体视觉的自动驾驶深度感知的3D目标检测

标题：IDA-3D: Instance-Depth-Aware 3D Object Detection from Stereo Vision for Autonomous Driving

03

基于 CNN 特征区域进行目标检测

但究竟什么是物体检测？对象检测处理通过给定输入（图像或视频）中的边界识别和定位某些类的对象。

04

3D Object Proposals for Accurate Object Class Detection

本文的目标是在自动驾驶环境下生成高质量的3D目标建议。我们的方法利用立体图像将提案以3D包围框的形式放置。我们将此问题表述为最小化一个能量函数，该函数编码目标大小先验、地平面以及几个与自由空间、点云密度和到地面距离有关的深度信息特征。我们的实验表明，在具有挑战性的KITTI基准测试上，与现有的RGB和RGB- d目标建议方法相比，性能有显著提高。结合卷积神经网络(CNN)评分，我们的方法在所有三个KITTI目标类上都优于所有现有的结果。

01

做目标检测，这一篇就够了！2019最全目标检测指南

计算机视觉是一门研究如何对数字图像或视频进行高层语义理解的交叉学科，它赋予机器“看”的智能，需要实现人的大脑中（主要是视觉皮层区）的视觉能力。

03

做目标检测，这一篇就够了！2019最全目标检测指南

计算机视觉是一门研究如何对数字图像或视频进行高层语义理解的交叉学科，它赋予机器“看”的智能，需要实现人的大脑中（主要是视觉皮层区）的视觉能力。

03

CVPR2021: Sparse R-CNN新的目标检测模型

今天我们将讨论由四个机构的研究人员提出的一种方法，其中一个是字节跳动人工智能实验室。他们为我们提供了一种新的方法，称为Sparse R-CNN(不要与 Sparse R-CNN 混淆，后者在 3D 计算机视觉任务上使用稀疏卷积)，该方法在目标检测中实现了接近最先进的性能，并使用完全稀疏和可学习的方法生成边界框。

05

手把手教你用深度学习做物体检测(五)：YOLOv1介绍

我们提出YOLO，一种新的目标检测方法。以前的目标检测是用分类的方式来检测，而我们将目标检测定义成回归问题，从空间上分隔出边界框和相关的类别概率。这是一个简洁的神经网络，看一次全图后，就能直接从全图预测目标的边界框和类别概率。因为整个检测线是一个单一的网络，在检测效果上，可以直接做端到端的优化。我们的统一架构非常快。我们的基础YOLO模型每秒可以处理45帧图片。该网络的一个更小的版本——Fast YOLO，每秒可以处理155帧图片，其mAP依然能达到其他实时检测模型的2倍。对比最先进的检测系统，YOLO有更多的定位误差，和更少的背景误检情况(把背景预测成目标)。最终，YOLO学到检测目标的非常通用的表示。在从自然图片到其他领域，比如艺术画方面，YOLO的泛化能力胜过其他检测方法，包括DPM和R-CNN。

04

Advanced CNN Architectures（R-CNN系列）

除了将该图像标记为猫外，还需要定位图中的猫，典型方法是在该猫周围画一个边界框，这个方框可以看做定义该方框的一系列坐标，(x,y) 可以是方框的中心w 和 h 分别表示方框的宽和高。要计算这些值我们可以使用典型分类 CNN，用到的很多相同结构。

02

MoCo不适用于目标检测？MSRA提出对象级对比学习的目标检测预训练方法SoCo！性能SOTA！（NeurIPS 2021）

本文分享 NeurIPS 2021 论文『Aligning Pretraining for Detection via Object-Level Contrastive Learning』MSRA提出对象级对比学习的目标检测预训练方法！性能SOTA！

04

YOLO

假设我要训练一个 CNN 来识别三种类别：人、猫、狗。因此输出向量Y将只有三个元素C1、C2、C3，每个元素都是一个类别得分。如果有更多类别，这个向量将边长。对于上图，我们希望训练CNN识别图像中的人，并用一个边界框定位人。为此，向输出向量中添加边界框参数-x、y、w、h用于确定边界框的大小。x、y确定边框中心坐标;w、h确定边界框的宽和高。

03

走亲访友不慌！手把手教你怎样用Mask R-CNN和Python做一个抢车位神器

今天是大年初三，按照传统习俗，从这天开始，就要开始走亲访友了。这时候的商场、饭馆也都是“人声鼎沸”，毕竟走亲戚串门必不可少要带点礼品、聚餐喝茶。

04

深度学习500问——Chapter08：目标检测（4）

我们将对单次目标检测器（包括SSD系列和YOLO系列等算法）进行综述。我们将分析FPN以理解多尺度特征图如何提高准确率，特别是小目标的检测，其在单次检测器中的检测效果通常很差。然后我们将分析Focal loss和RetinaNet，看看它们是如何解决训练过程中的类别不平衡问题的。

01

用于精确目标检测的多网格冗余边界框标注

论文地址：https://arxiv.org/pdf/2201.01857.pdf

01

深度学习目标检测模型全面综述：Faster R-CNN、R-FCN和SSD

选自medium 机器之心编译机器之心编辑部 Faster R-CNN、R-FCN 和 SSD 是三种目前最优且应用最广泛的目标检测模型，其他流行的模型通常与这三者类似。本文介绍了深度学习目标检测的

07

传输丰富的特征层次结构以实现稳健的视觉跟踪

论文地址：https://arxiv.org/pdf/1501.04587.pdf

04

详解计算机视觉五大技术：图像分类、对象检测、目标跟踪、语义分割和实例分割

译者 | 王柯凝【 AI 科技大本营导读】目前，计算机视觉是深度学习领域最热门的研究领域之一。计算机视觉实际上是一个跨领域的交叉学科，包括计算机科学（图形、算法、理论、系统、体系结构），数学（信息检索、机器学习），工程学（机器人、语音、自然语言处理、图像处理），物理学（光学），生物学（神经科学）和心理学（认知科学）等等。许多科学家认为，计算机视觉为人工智能的发展开拓了道路。那么什么是计算机视觉呢？这里给出了几个比较严谨的定义： ✦ “对图像中的客观对象构建明确而有意义的描述”（Ballard＆B

07

详解计算机视觉五大技术：图像分类、对象检测、目标跟踪、语义分割和实例分割

目前，计算机视觉是深度学习领域最热门的研究领域之一。计算机视觉实际上是一个跨领域的交叉学科，包括计算机科学（图形、算法、理论、系统、体系结构），数学（信息检索、机器学习），工程学（机器人、语音、自然语言处理、图像处理），物理学（光学），生物学（神经科学）和心理学（认知科学）等等。许多科学家认为，计算机视觉为人工智能的发展开拓了道路。

02

一文读懂GoogLeNet神经网络 | CSDN博文精选

Inception，来源于论文Network in Network和电影Inception中的台词：we need to go deeper。GoogLeNet在2014年的ImageNet比赛中获得第一名。

01

10分钟学会使用YOLO及Opencv实现目标检测（上）|附源码

计算机视觉领域中，目标检测一直是工业应用上比较热门且成熟的应用领域，比如人脸识别、行人检测等，国内的旷视科技、商汤科技等公司在该领域占据行业领先地位。相对于图像分类任务而言，目标检测会更加复杂一些，不仅需要知道这是哪一类图像，而且要知道图像中所包含的内容有什么及其在图像中的位置，因此，其工业应用比较广泛。那么，今天将向读者介绍该领域中表现优异的一种算算法——“你只需要看一次”（you only look once，yolo），提出该算法的作者风趣幽默可爱，其个人主页及论文风格显示了其性情，目前该算法已是第三个版本，简称YoLo V3。闲话少叙，下面进入教程的主要内容。在本教程中，将学习如何使用YOLO、OpenCV和Python检测图像和视频流中的对象。主要内容有：

06

【计算机视觉】检测与分割详解

【导读】神经网络在计算机视觉领域有着广泛的应用。只要稍加变形，同样的工具和技术就可以有效地应用于广泛的任务。在本文中，我们将介绍其中的几个应用程序和方法，包括语义分割、分类与定位、目标检测、实例分割。

01

CVPR2020 | 将影子和它对应的物体实例一起分割，还附带光源方向预测

论文地址：https://arxiv.org/pdf/1911.07034.pdf

06

斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）

作为全球计算机四大名校之一，斯坦福大学的CS230《深度学习》课程一直受到全球计算机学子和从业人员的热烈欢迎。

03

斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）

作为全球计算机四大名校之一，斯坦福大学的CS230《深度学习》课程一直受到全球计算机学子和从业人员的热烈欢迎。

02

mask R-cnn检测，分割和特征点定位全部都做了

摘要我们提出一个概念上简单，灵活，而且通用的对象实例分割框架（object instance segmentation）。我们的方法能有效检测图像中的对象，同时为每个实例生成高质量的分割掩膜（segmentation mask）。我们将该方法称为 Mask R-CNN，是在 Faster R-CNN 上的扩展，即在用于边界框识别的现有分支上添加一个并行的用于预测对象掩膜（object mask）的分支。 Mask R-CNN 的训练简单，仅比 Faster R-CNN 多一点系统开销，运行速度是 5 fps。此外，Mask R-CNN很容易推广到其他任务，例如可以用于在同一个框架中判断人的姿势。我们在 COCO 竞赛的3个任务上都得到最佳结果，包括实例分割，边界框对象检测，以及人物关键点检测。没有使用其他技巧，Mask R-CNN 在每个任务上都优于现有的单一模型，包括优于 COCO 2016 竞赛的获胜模型。我们希望这个简单而有效的方法将成为一个可靠的基准，有助于未来的实例层面识别的研究。我们将会公开相关代码。

02

斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）

作为全球计算机四大名校之一，斯坦福大学的CS230《深度学习》课程一直受到全球计算机学子和从业人员的热烈欢迎。

01

数据科学家目标检测/实例分割指南

原标题 | Demystifying Object Detection and Instance Segmentation for Data Scientists

04

Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark

最近已作出大量努力，提出光学遥感图像中的各种目标检测方法。然而，目前对光学遥感图像中目标检测的数据集调查和基于深度学习的方法还不够完善。此外，现有的数据集大多存在一些不足之处，如图像和目标类别数量较少，图像多样性和变异性不足。这些局限性极大地影响了基于深度学习的目标检测方法的发展。本文综述了近年来计算机视觉和地球观测领域基于深度学习的目标检测研究进展。然后，我们提出了一个大规模、公开可用的光学遥感图像目标检测基准，我们将其命名为DIOR。数据集包含23463张图像和190288个实例，覆盖20个目标类。建议的DIOR数据集1)在目标类别、目标实例数量和总图像数量上都是大规模的;2)具有大范围的对象尺寸变化，不仅在空间分辨率方面，而且在跨目标的类间和类内尺寸变化方面;3)由于成像条件、天气、季节、成像质量的不同，成像结果差异较大;4)具有较高的类间相似性和类内多样性。提出的基准可以帮助研究人员开发和验证他们的数据驱动方法。最后，我们评估了DIOR数据集中的几种最先进的方法，为未来的研究奠定了基础。

05

用不到 30 行 Python 代码实现 YOLO

"You Only Look Once"是一个实时对象检测算法，它避免了在生成区域建议上花费太多的时间。它不能完美地定位物体，而是优先考虑速度和识别。

02

算法集锦（10）| 自动驾驶、机器人 | 物品图像动态检测算法实现

今天，我们将介绍Google的Tensorflow物品检测API及Mask R-CNN技术，并将之应用于实际的物品动态检测中。

03

目标检测YOLO系列算法的进化史

本文中将简单总结YOLO的发展历史，YOLO是计算机视觉领域中著名的模型之一，与其他的分类方法，例如R-CNN不同，R-CNN将检测结果分为两部分求解：物体类别（分类问题），物体位置即bounding box（回归问题）不同，YOLO将任务统一为一个回归问题。也就是相对于R-CNN系列的"看两眼"(候选框提取与分类),YOLO只需要 You Only Look Once。

01

目标检测YOLO系列算法的进化史

来源：DeepHub IMBA 本文约3400字，建议阅读6分钟本文为你简单总结YOLO的发展历史。本文中将简单总结YOLO的发展历史，YOLO是计算机视觉领域中著名的模型之一，与其他的分类方法，例如R-CNN不同，R-CNN将检测结果分为两部分求解：物体类别（分类问题），物体位置即bounding box（回归问题）不同，YOLO将任务统一为一个回归问题。也就是相对于R-CNN系列的"看两眼"(候选框提取与分类)，YOLO只需要 You Only Look Once。目标检测我们人类只需要看一眼

02

何恺明等最新论文：实例分割全新方法TensorMask，效果比肩 Mask R-CNN

现代实例分割方法主要是先检测对象边界框，然后进行裁剪和分割， Mask R-CNN 是目前这类方法中最优秀的。

02

[译] End-to-end people detection in crowded scenes

检测效果图题目：拥挤场景中的端到端人物检测 (推荐阅读英文原文) 文章地址：《End-to-end people detection in crowded scenes》 arXiv.1506.04878 Github：https://github.com/Russell91/ReInspect (未经允许禁止转载，授权转载请注明出处，谢谢！) ---- Abstract 目前的人物检测操作要么是以滑动窗口的方式扫描图像，或者通过分类一组离散的决策。我们提出了基于将图像解码成一组人物检测的模型。我

06

Fast R-CNN

提出了一种基于区域卷积网络的快速目标检测方法(Fast R-CNN)。Fast R-CNN建立在以前工作的基础上，使用深度卷积网络有效地分类目标建议。与之前的工作相比，Fast R-CNN在提高训练和测试速度的同时，也提高了检测精度。Fast R-CNN训练了非常深的VGG16网络，速度比R-CNN快9倍，测试时速度213被，在PASCAL VOC 2012上实现了更高的mAP。与SPPnet相比，Fast R-CNN训练VGG16快三倍，测试速度快10倍，精度更高。

01

Stereo R-CNN based 3D Object Detection for Autonomous Driving

提出了一种充分利用立体图像中稀疏、密集、语义和几何信息的自主驾驶三维目标检测方法。我们的方法，称为Stereo R-CNN，扩展了Faster R-CNN的立体输入，以同时检测和关联目标的左右图像。我们在立体区域建议网络(RPN)之后添加额外的分支来预测稀疏的关键点、视点和目标维数，并结合二维左右框来计算粗略的三维目标边界框。然后，我们恢复准确的三维包围框，以区域为基础的光度比对使用左和右ROI。我们的方法不需要深度输入和三维位置监督，但是，优于所有现有的完全监督的基于图像的方法。在具有挑战性的KITTI数据集上的实验表明，我们的方法在三维检测和三维定位任务上都比目前最先进的基于立体的方法高出30%左右的AP。

02

CV岗位面试题：简单说下YOLOv1,v2,v3,v4各自的特点与发展史

重磅干货，第一时间送达文 | 七月在线编 | 小七解析：文章目录一、任务描述二、设计思想三、发展历程 1. YOLOv1 2.

01

斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）

CS230授课人为全球著名计算机科学家吴恩达和他的助教Kian Katanforoosh。

01

deeplearning.ai课程笔记--目标检测

这篇是看完吴恩达老师的 deeplearning.ai 课程里目标检测课程的学习笔记，文章的图片主要来自课程。

00

「目标检测算法」连连看：从 Faster R-CNN 、 R-FCN 到 FPN

在这个系列中，我们将对目标检测算法进行全面探讨。第1部分，我们介绍常见的基于区域的目标检测器，包括Fast R-CNN，Faster R-CNN，R-FCN和FPN。第2部分，我们介绍单步检测器（single shoot dectors, SSD)。第3部分，我们探讨算法性能和一些具体的例子。通过在相同的环境研究这些算法，我们研究哪些部分在其作用，哪些部分是重要的，可以在哪些部分进一步改进。希望通过对算法如何发展到今天的研究，会给我们未来的研究提供方向。

03

【技术】使用Tensorflow对象检测接口进行像素级分类

AiTechYun 编辑：yuxiangyu 在过去，我们使用Tensorflow对象检测API来实现对象检测，它的输出是图像中我们想要检测的不同对象周围的边界框。而Tensorflow最近添加了新功

04

增加检测类别？这是一份目标检测的基础指南

作者： Adrian Rosebrock 机器之心编译目标检测技术作为计算机视觉的重要方向，被广泛应用于自动驾驶汽车、智能摄像头、人脸识别及大量有价值的应用上。这些系统除了可以对图像中的每个目标进行识别、分类以外，它们还可以通过在该目标周围绘制适当大小的边界框来对其进行定位。本文作者从图像识别与目标检测的区别开始，进一步简单介绍了目标检测的基本模块与实现方法。本文是目标检测的一般指南，它并没有详细介绍主流的目标检测算法，这些算法读者可参考从 RCNN 到 SSD，这应该是最全的一份目标检测算法盘点

05

基于立体R-CNN的3D对象检测

好消息，小伙伴以后可以通过问答的形式在文章下方进行留言，并且小白也会及时回复大家哦！

01

关于目标检测鼻祖R-CNN论文

R-CNN系列论文是使用深度学习进行物体检测的鼻祖论文，其中fast-RCNN 以及faster-RCNN都是沿袭R-CNN的思路。R-CNN全称region with CNN features，其实它的名字就是一个很好的解释。用CNN提取出Region Proposals中的featues，然后进行SVM分类与bbox的回归

03

卷积神经网络-目标检测

其中，bx、by表示汽车中点，bh、bw分别表示定位框的高和宽。以图片左上角为(0,0)，以右下角为(1,1)，这些数字均为位置或长度所在图片的比例大小。

01

基于深度学习的人员跟踪

在不断进步的现代科技中，我认为最伟大的是我们在使计算机具有类似于人的感知能力方面取得了进步。以前训练计算机使它像人一样学习、做出像人一样的行为是很遥远的梦想。但现在随着神经网络和计算能力的进步，梦想逐渐成为现实。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭