图像识别利用计算机视觉技术使机器能够正确解释和理解图像内容,经典的图像识别模型包括:
- 卷积神经网络(CNN)
CNN是深度学习中对图像处理极为成功的模型结构。它通过卷积操作自动学习图像特征,经过多层卷积可以提取不同粒度的视觉特征,最后用于图像分类。
- 区域卷积神经网络(R-CNN)
R-CNN在CNN的基础上增加了区域提取模块,可以同时完成图像分类和目标检测,即识别图片中的物体类别及位置。
- 快速 R-CNN
相较于R-CNN,快速R-CNN将区域提取模块改进为基于特征图,提高检测速度。它是目标检测领域的经典模型。
- 移动端网路(MobileNet)
这是 google 面向移动及嵌入式视觉应用设计的轻量级CNN模型。其采用深度可分离卷积结构,大幅减少了参数量和计算量。
- 单发多框检测器(SSD)
SSD也是一种基于CNN的检测模型,其直接在特征图上预测目标框,速度快且精度高,非常适合实时检测应用。
- 角点检测 (Harris)
Harris算法基于角点的热门特性,通过计算局部信息矩阵找到图像角点,可用于图像配准、拼接等。
- SIFT算法
SIFT 通过检测关键点特征实现图像配准。它的描述子对旋转和尺度变化鲁棒, daher适用于物体识别。
这些经典的图像识别模型也在不断升级,未来将支持更智能、精准的计算机视觉应用。