糖心vlog官网观看

En este m贸dulo explicaremos el concepto de clasificador de ventana como forma de decidir si una ventana candidata contiene una instancia del objeto que queremos detectar o no. Lo ilustraremos utilizando LBP como descriptor de la imagen y la regresi贸n log铆stica c贸mo m茅todo de clasificaci贸n. Nos fijaremos tanto en la parte de aprendizaje del clasificador como en su utilizaci贸n para determinar el contenido de una ventana.

En este m贸dulo nos centraremos primero en la fase de detecci贸n de posibles candidatos en la imagen. El conjunto de candidatos que se detecten ser谩n analizados por el clasificador que explicamos en la semana 2 para determinar la presencia del objeto. Adem谩s, explicaremos tambi茅n los pasos necesarios para poder preparar correctamente todos los datos que se utilizan en el aprendizaje y evaluaci贸n del detector. Finalmente, veremos c贸mo podemos evaluar de forma objetiva el rendimiento del detector.

En este m贸dulo veremos un segundo ejemplo de sistema de detecci贸n de objetos que se basar谩 en la utilizaci贸n de HOG como descriptor de la imagen y SVM como clasificador.

En este m贸dulo veremos un tercer sistema de detecci贸n basado en las caracter铆sticas de Haar para describir la imagen y Adaboost como clasificador. Para poder explicar las caracter铆sticas de Haar explicaremos tambi茅n el concepto de imagen integral. Veremos c贸mo entrenar un clasificador con Adaboost que nos permita seleccionar el mejor subconjunto de las caracter铆sticas de Haar. Finalmente, explicaremos c贸mo combinar varios clasificadores en una cascada para poder implementar un sistema completo de detecci贸n.

En los m贸dulos anteriores hemos visto los m茅todos m谩s habituales para la detecci贸n de objetos. En este 煤ltimo m贸dulo explicaremos algunas t茅cnicas m谩s avanzadas que se pueden utilizar en diferentes fases de la detecci贸n y que pueden ser 煤tiles en problemas de detecci贸n m谩s complejos. Entre estas t茅cnicas est谩n los modelos no hol铆sticos (DPM, Random Forests), m茅todos de adaptaci贸n de dominio, la utilizaci贸n de redes neuronales convolucionales, explotar la multi-modalidad en las im谩genes y t茅cnicas alternativas para la generaci贸n de candidatos.