-
Количество публикаций
63 -
Зарегистрирован
-
Посещение
-
Days Won
3
Все публикации пользователя idrua
-
А первая картинка это что?
-
А пользоваться этим как? Есть примеры? Ну и касательно сетей. Обучить на Python, а потом подсовывать в OpenCV (или как-то форматировать после обучения)? Вообще инфы ноль.
- 8 replies
-
- haar cascade
- opencv
-
(и ещё %d)
Теги:
-
OpenCV тут не помощник. Сеточками надо (Object Detection). Судя по картинке, предположу, что это YOLO3. https://github.com/aloyschen/tensorflow-yolo3
- 8 replies
-
- 1
-
- haar cascade
- opencv
-
(и ещё %d)
Теги:
-
Удалить артефакты фотографирования документа с экрана (разноцветные волны)
idrua replied to Dunya Kulakova's topic in OpenCV
А просто бинаризировать? -
Нейросетью можно найти даже на таких картинках. Только для обучения нужна хотя бы сотня картинок. Помню как-то нужно было искать углы стелажей при разном свете на чб и цветных картинках (на форуме ниже есть описание, если поискать). 97% точности давала сеточка.
-
Перечитал много разных публикаций, но не нашел ответа на вопрос высоты/ширины (-w 20 -h 20). Значит ситуация следующая: картинки размеров 400 на 300, сам объект имеет размер 100 на 130. Во всех примерах размер объекта минимален. Что-то из серии 20 на 20 или 30 на 10. Собственно, вопрос. Я должен уменьшать свои картинки, чтобы объект принял нужные размеры? Или как? В одной публикации видел, что объекты еще больше чем у меня (300 на 300), а значения высоты и ширины в параметрах обучения ставят 20 на 20. Или это абстрактные значения в параметрах? Где читать или, может, кто подскажет по своему опыту? Заранее спасибо! opencv_createsamples.exe -info E:\BAZAS\Sova\Good.dat -vec samples.vec -w 20 -h 20
-
Размер объекта относительно статичен +- 20 пикселей. Больше на сколько? 30х30, 40х40, 80х80. Насколько я понял, чем больше размер объекта, тем дольше ждать результат. Думал. Стандартными средствами OpenCV я детектирую с точностью 90%, но это не всегда устраивает пользователей. Хотелось уйти в сторону DL, но ПК слабые, не тянут. Какие еще альтернативы?
-
А края известны или нет? Ну т.е. можем ли мы положить все края, для которых нужно делать размытие, в маску?
-
Если картинки не сдвинуты по осям относительно друг друга, то самый простой и быстрый вариант это использовать логические операции. Тот же XOR, а после смотреть количество белых пикселей countNonZero (если совпали, то их будет мало). Бинаризировать только сперва обе картинки надо.
-
Это ты называешь серьезным распознаванием? Насмешил )) Картинки покажи. Есть более простые логическое И, ИЛИ и исключающее ИЛИ. Возможно, MorphologyEx+TopHat с маской. Предложил бы классификатор, но ты называешь matching сложным. Всякое можно придумать, в зависимости от задачи. Но все это не очень-то робастно.
-
https://docs.opencv.org/2.4/doc/tutorials/imgproc/histograms/template_matching/template_matching.html
-
Кстати, вопрос. Keras имеет несколько версий инсталла ( keras-gpu(вер 2.2.2) и keras(вер 2.2.4)). Какую ставить рекомендуется? Поставил keras-gpu отказал модуль image для аугментаций. Как снести это чудо и поставить просто keras?
-
На win действительно проблематично работать с python. Сам недавно столкнулся и через pip tensorflow нормально не установился. Установился через conda install. Ну а вообще, есть бесплатный Google Colab, где уже всё установлено. Бери и пользуйся.
-
Ого! Спасибо, гляну. Я на C# пишу, но думаю разберусь, OpenCV примерно везде одинаковый.
-
А кто мне подскажет, как найти контуры прямоугольников в такой сложной ситуации? Выделил красным желаемый результат разделения. Вероятно, можно нейросетями (не пробовал, но уверен, что получится), но хотелось бы классическими методами OpenCV.
-
Т.е. обучаешь ты на Python, а inference на плюсах. Я правильно понял? Ок. Даже если так, то как добыть из файла h5 весовые коэффициенты. Где-то описан формат файла? А были модели на Keras в обучении? Выходной файл обученной модели отличается чем-то для TF и Keras?
-
Это достаточно новая архитектура. Если не ошибаюсь в 2015 изобрели, а в 2016 начали активно использовать. Поэтому с чтением на русском вообще беда. Далее. Все эти вещи писаны на Python и только. По шагам это выглядит так: изучаем Python, изучаем азы сверточных нейронных сетей, покупаем или арендуем GPU — аллилуйя. Можно вообще ничего не изучать, а найти на гитхабе или кагле примеры и использовать. Но это тяжело, не зная языка и прочих вещей что-либо делать. Серега , все хочу спросить, а ты не переписывал на плюсы подобные архитектуры? Насколько этот процесс трудоемок?
-
Бегло глянул на карты Google. Цвет речки всегда одинаковый. Возможно, выделение по цвету и дальнейший поиск прямых линий что-то даст. А вообще, конечно, более простой способ это UNet в нейросетях. Достаточно просто собрать датасет, НС сама найдет фичи и выделит мосты.
-
Чем больше картинок, тем лучше. Попробовать могу и на 250, но это бейзлайн, однозначно.
-
Задача мне кажется интересной. Могу попробовать нейросетями выделить зону с нужной ячейкой. Но есть проблема с картинками. Для обучения потребуется 350 картинок(для начала).
-
Ответ не совсем понятен. Т.е. можно смело вырезать и удалить 50% изображения и оставить только центр? Ведь именно там "ожидается примерно увидеть край уголка ячейки". Или как? Чем отличается нужный край ячейки от остальных краев на фото? Он всегда под одним углом?
-
У меня вопросы есть. А чем отличается этот край уголка от остальных краев? Каким должен быть конечный результат? Нужен точно такой же круг нарисовать?
-
С пунктом 3 как-то не очень понятно. Было 3х3, увеличили, стало 5х5. Или увеличиваем по одной стороне, а не все сразу? Имеем 5х5, разбили на 4 по 3х3. Предположим, все белого цвета, отношение одинаковое. Оставляем старый центр? Еще увеличили и теперь общий размер 6х6. Разбивать с другим размером 4х4?