人工智能应用基础（高职）：图像检测：我知道现在有多少人PPT教学课件.pptx

项目三图像检测：我知道现在有多少人任务1图像特征的提取任务2深度神经网络的前世今生任务3深度神经网络提取特征与分类任务4（拓展）图像中的目标检测任务5项目开发：指定物品的检测

任务1图像特征的提取子任务1图像的特征如果用“是否有翅膀”作为一个特征，可以区分企鹅和狼，也可以区分飞机和汽车；如果再用“是否有眼睛”作为第二个特征，就可以区分是企鹅或狼还是飞机或者汽车，如下表1所示，这样我们就可以准确地区分这四张照片了。?企鹅野狼飞机汽车1特征是否有翅膀是否是否2特征是否有眼睛是是否否

任务1图像特征的提取子任务1图像的特征如何从图像中提取如上所述的两个特征呢？在计算机视觉领域发展初期，人们手工设计了各种图像特征，包括图像的颜色、边缘、纹理等性质，能解决物体识别和物体检测等实际问题。那么，“相关的一系列计算”是如何进行的呢？

任务1图像特征的提取子任务2卷积运算一．向量的卷积两个向量卷积的计算过程

任务1图像特征的提取子任务2卷积运算二．矩阵的卷积两个矩阵的卷积

任务1图像特征的提取子任务2卷积运算二．矩阵的卷积两个矩阵的卷积矩阵进行卷积运算时，需要沿着纵向和横向两个方向进行滑动

任务1图像特征的提取子任务2卷积运算三．三阶张量的卷积

任务1图像特征的提取子任务3利用卷积提取图像特征图像被表示为一个整数的图像矩阵。如果用一个较小的矩阵和这个图像矩阵做卷积运算，得到一个新的矩阵，这个新矩阵表示了一幅新的图像，这幅新的图像比原图像更清楚地表示了某些性质，把它当作原图像的一个特征

任务2深度神经网络的前世今生人工设计的图像特征到深度神经网络ImageNet挑战赛是计算机视觉领域的世界级竞赛在计算机视觉的各个领域深度神经网络学习的特征也逐渐代替了手工设计的特征，人工智能也变得更加“智能”。

任务2深度神经网络的前世今生深度神经网络与传统模式区别和联系

任务3深度神经网络提取特征与分类子任务1深度神经网络的结构深度神经网络经过“相关的一系列计算”，解决了“是否有翅膀”和“是否有眼睛”这样高层次的抽象概念，获取了图像的特征，深度神经网络在图像分类中得到了广泛的应用，下面我们一步一步学习它

任务3深度神经网络提取特征与分类子任务1深度神经网络的结构一．卷积层卷积层的作用卷积层提取图像特征的过程

任务3深度神经网络提取特征与分类子任务1深度神经网络的结构二．全连接层经过通道输出的特征图再转换成特征向量，如果再需要对这个特征向量进行变换，担负这个转换任务的便是全连接层。

任务3深度神经网络提取特征与分类子任务1深度神经网络的结构三．归一化指数层通常分类网络的最后一层就是归一化指数层，它以一个长度和类别个数相等的特征向量作为输入，然后输出图像属于各个类别的概率。

任务3深度神经网络提取特征与分类子任务1深度神经网络的结构四．非线性激活层在每个卷积层和全连接层的后面增加一个非线性激活层，这样，每次变换的效果就得到保留非线性激活层如果以整流函数构成，则称为ReLU层

任务3深度神经网络提取特征与分类子任务1深度神经网络的结构五．池化层池化层，降低特征图的分辨率.

任务3深度神经网络提取特征与分类子任务1深度神经网络的结构五．池化层池化层的工作过程:经过池化后，特征图的长和宽都减少到原来的1/2，特征图中的元素数目减少到原来的1/4。

任务3深度神经网络提取特征与分类子任务2深度神经网络的训练反向传播算法:是训练深度神经网络最有效的手段之一

任务4（拓展）图像中的目标检测一．YOLO算法的概念YOLO算法，其全称是YouOnlyLookOnce:Unified,Real-TimeObjectDetection，其中YouOnlyLookOnce说的是只需要一次CNN运算；Unified指的是这是一个统一的框架，提供一个端到端方法的预测；而Real-Time体现是YOLO算法速度快，每秒可处理45帧。

任务4（拓展）图像中的目标检测二．YOLO算法的运作（一）用YOLO检测给定图像中对象的处理步骤1.输入图像

任务4（拓展）图像中的目标检测二．YOLO算法的运作（一）用YOLO检测给定图像中对象的处理步骤2.将输入图像划分为网格形式

任务4（拓展）图像中的目标检测二．YOLO算法的运作（一）用YOLO检测给定图像中对象的处理步骤3.对每个网格应用图像分类和定位处理，获得预测对象的边界框及其对应的类别概率。

任务4（拓展）图像中的目标检测二．YOLO算法的运作（二）对处理步骤的进一步详解1.建立标记数据例1例2例3

任务4（拓展）图像中的目标检测二．YOLO算法的运作（二）对处理步骤的进一步详解2.将标记数据传递给模型进行训练例4：1）输入图像：100X100X32）使用经典的CNN网络构建模型，并进行