El mejor enfoque para la detección de objetos en la actualidad es el uso de redes neuronales convolucionales (CNN) + redes de propuesta de región (RPN) que dan como resultado las llamadas CNN o R-CNN basadas en regiones. El R-CNN [1] más rápido con arquitectura de red neuronal residual [2] (ResNet) es actualmente el estado del arte en detección de objetos.
Puedes consultar los siguientes proyectos:
- https://github.com/rbgirshick/py…
- https://github.com/smallcorgi/Fa…
Las RPN proponen un pequeño conjunto de regiones con una alta probabilidad de contener un objeto, mientras que la CNN reconoce los objetos dominantes reales en las regiones propuestas. En resumen, el RPN decide dónde debe “mirar” la CNN. Es posible hacer una búsqueda de fuerza bruta, pero podría llevar años procesar un solo cuadro.
- ¿Cuáles son las ventajas y desventajas de tener mi propio servidor en la nube?
- ¿Se utiliza Machine Learning fuera de las startups y otras "nuevas" empresas?
- ¿Cuál es la mejor manera de normalizar los datos implícitos para un sistema de recomendación de música mediante el filtrado colaborativo?
- ¿Cuáles son los beneficios del filtrado colaborativo?
- ¿Qué cursos de estadística de Harvard debería tomar si quiero aprender aprendizaje estadístico / aprendizaje automático?
EDITAR : Para la detección de objetos en tiempo real (pero menos precisa) por YOLO [3].
Espero que esto ayude.
Notas al pie
[1] Hacia la detección de objetos en tiempo real con redes de propuestas regionales
[2] [1512.03385] Aprendizaje residual profundo para el reconocimiento de imágenes
[3] https://pjreddie.com/darknet/yol…
