Smorodov
-
Content count
3,870 -
Joined
-
Last visited
-
Days Won
346
7 Followers
About Smorodov
-
Rank
Администратор
- Birthday 02/04/1978
Recent Profile Visitors
13,438 profile views
-
Обработка естественного языка (NLP)
Smorodov replied to Smorodov's topic in Вопросы по нейросетям и ИИ
Здравствуйте, вам нужны не нейронки а вероятностные графовые модели (PGM), посмотрите редактор который я прикрепил для примера: samiam30_windows_amd64.zip Их как раз используют для вывода вероятностей по заданным факторам, причем эта штука обучаемая по данным.samiam30_windows_amd64.zip На coursera есть курс Probabilistic graphical models, там как раз на этой софтинке упражнения были, правда я проходил его давно, может что то поменялось. -
Детектирование точек FACS (Пол Экман) для психологического анализа лица
Smorodov replied to umrbek79's topic in OpenCV
Интересная тема, но юридически неоднозначная. Кстати из видео прото нарезался датасет. Затем училась сеть, прогонялась по видео, вырезались ошибочные срабатывания, добавлялись в датасет и все по новой. А с психическими отклонениями думаю без динамики сложно будет точность приемлемую получить. Хотя, обратите внимание на морщины, они должны отражать статистику движений. -
Детектирование точек FACS (Пол Экман) для психологического анализа лица
Smorodov replied to umrbek79's topic in OpenCV
Но даже простая нейронка, типа LeNet, по ощущениям работает лучше. Правда данных много надо было, я 5 териков видео скормил, работало очень четко, эмоции пропорионально выводило, даже с самых слабых. Вход был всего 64х64, в серых тонах, работало в реалтайме на мобиле. Видел на гитхабе подобные. FACS все теки на человека больше расчитана, как можно сократили количество признаков для удобства использования. -
Детектирование точек FACS (Пол Экман) для психологического анализа лица
Smorodov replied to umrbek79's topic in OpenCV
OpenFace умеет FACS имеет бинд к питону. -
Ну так если проверять, то должны быть известны эталонные контуры. Вот находите в базе эталонов тот, с которым в данный момент работаете и сравнивайте с ним по ключевым точкам. Простейший метод скавнения контуров - по моментам контура. Выровняйте оси и центры, и найдите точки на контуре, ближайшие к точкам на эталоне.
-
Всегда ли одинаковая форма детали? Если да, то упростите контур, найдите какую то начальную точку, отсчитайте от нее нужные отрезки и будут вам координаты. По поводу упрощения контуров: https://pyimagesearch.com/2021/10/06/opencv-contour-approximation/
-
Посмотрите еще: cv.minAreaRect собственные оси и этот метод рабртают немного по раному, смотрите сами какой больше подходит. Описание здесь: https://docs.opencv.org/3.4/dd/d49/tutorial_py_contour_features.html
-
Ищите собственные оси и центр масс. Тут пример: https://robospace.wordpress.com/2013/10/09/object-orientation-principal-component-analysis-opencv/
- 7 replies
-
- 1
-
-
- pycharm
- measurement
- (and 1 more)
-
Так в программе, которую Вы приводите выше, координаты прямоугольника, ограничивающего контур, x,y - это верзнй левый угол, w, h - ширина и вытота. Центр - x+w/2, y+h/2 Как выводить текст, см. пример по ссылке в моем предыдущем ответе. Русские буквы стандартный cv2.outText не выведет, используйте латиницу.
- 7 replies
-
- 1
-
-
- pycharm
- measurement
- (and 1 more)
-
Я не уверен понял пробблему, проблема с выводом текста в заданные координаты? https://www.geeksforgeeks.org/python-opencv-cv2-puttext-method/
-
А зачем карту глубины? Если надо найти координату на дороге, или скорость, то дорога плоская, координата и направление камеры известны. Точнее получится просто использовать 2D рамку. 3D генерируемые координаты, от монокулярных сеток, весьма приблизительные, вычисления тяжелые. Ну если очень надо, можно использовать 3D на основе оптического потока, думаю оно точнее будет. Ну если очень-очень хочется нейронкой, просто вычисляйте скользящее среднее по кадрам глубины, и используйте его, там конечно нужна будет коррекция с учетом скорости удаления/приближения, но это вроде должно аналитически выводиться аналитически.
-
Да возьмите или все координаты пикселей дуги, или каждую N-нную, или точки, и прогоните рансаком https://github.com/aerolalit/RANSAC-Algorithm , или скелетизируйие, например так: https://github.com/LingDong-/skeleton-tracing или https://stackoverflow.com/questions/22058485/how-to-implement-an-function-equivalent-to-bwmorph-matlab-function-in-opencv/22060992#22060992 MSE более чувствителен к шуму и равномерности плотности семплирования точек, чем рансак, но если данные чистые, то большой разницы не будет. Но чистые данные, это обычно большая редкость )
-
Если точки знаем точно, окружность определяется тремя точками. Центр можно найти пересечением нормалей, радиус - расстояние от центра до любой точки. Есть много кода по этому поводу. Если координаты с шумом, или точность хромает, то есть метод RANSAC который использует статистические методы для улучшения точности. https://sdg002.github.io/ransac-circle/index.html
-
А, кстати, вы точно распознавание делаете, или детектирование? Вопрос не прпздный, их частенько путают. Если распознавание, то какая сеть ? У меня на gtx 1070 распознающая сеть, требовала 0.3 секунды на 1 лицо, база содержала около 6000 фоток, точность 99.6%. Сеть занимала 600 Мб. Но если база только "папа, мама, я" то можно и что-то сильно попроще и побыстрее использовать.
-
Ну все зависит от параметров, (разрешение, что за модель сети, требуемая частота кадров, и т.д.) . С K20 подробно не знаком, вроде старовата архитекрура. Может новую, какую нибудь типа 3080 или 2080 взять? Хоть не уработанная криптой будет. Сравнения быстродействия, на сайте нвидии есть. https://versus.com/ru/nvidia-geforce-rtx-3080-vs-nvidia-tesla-k20#group_performance Вообше, 20xx или 30xx должно хватить для большинства задач. 4 потока, правда лучше как-то предобрабатывать оддельно (дешифровать, может разрешение уменьшать ). Но можно несколько если что поставить в параллель ). Но параметры условий работы неплохо-бы привести, а то " сферический хомячек в вакууме" получается.