Where does it come from?
The Third Research Institute of the Ministry of Public Security
基于视频结构化描述的视频语义分析系统
★
可描述车辆颜色、车型、品牌等，车型类别>1200类
个性化检索、以图搜图等
参与重大案件侦破数十起：桂林爆炸案、苏州抓捕案、亚信反恐…
★
Bounding Boxes注解
那我们从Bounding Boxes中可以得到什么呢？
1. 目标
2. 负类别
3. Bounding Boxes 投票
之前推送也介绍过检测的Pipeline：
*Fast R-CNN, Ross Girshick, IEEE International Conference on Computer Vision (ICCV), 2015
1. 目标
动机：
- 正样本必须是目标；
- 将目标输入到End-to-End的网络PipeLine。
相关工作：
- BBox的选择；
- DeepBox；
- Region proposal networks(RPN)。
过程设置如下：
- IoU>0.5的区域，标签设置为1，其余都为0；
- 只使用End-to-End的网络的训练阶段。
2. 负类别
他人方法：设置所有IoU<0.5的区域为不合理区域。
现在的做法：
设置IoU>0.5的为正样本，0.2<IoU<0.5的为负样本，其余的都是背景。
相似的工作如下：
3. Bounding Boxes 投票
在标准的NMS之后，在局部区域中，保持区域bbox有最高的得分；设置区域为R，IoU>0.5，用R∪boxb的方式来进行投票：
检测结果：
*该实验是在CLS数据集上进行的测试
目标定位
最简单的PipeLine：
通过上述的方法（目标、负类别和Bounding Boxes 投票），进行简单实验：
视频中的目标检测
结果：
关注我们的微信公众平台“计算机视觉战队”：
ID：ComputerVisionGzq
在平台中回复“深度学习”、“C++”、“Python”都会有相应的学习资料提供给大家去学习，去实践，希望大家多多支持！
后期我们会继续完善学习资料，并为大家提供GitHub的资源！
