深度學習入門：適合初學者的5個計算機視覺免費開源項目

用於圖像字幕的開源計算機視覺項目

你是否曾經但願過一些能夠爲你的社交媒體圖像加字幕的技術，由於你和你的朋友都沒法提出很酷的字幕。用於圖像字幕的深度學習助你一臂之力。

圖像字幕是爲圖像生成文本描述的過程。它是計算機視覺和天然語言處理（NLP）的組合任務。

計算機視覺方法有助於理解並從輸入圖像中提取特徵。 此外，NLP以正確的單詞順序將圖像轉換爲文本描述。

如下是一些有用的數據集，可幫助你使用圖像字幕：

1.COCO Caption

COCO是大規模的對象檢測，分割和字幕數據集。 它由330萬張圖像（標有> 200K張）組成，具備150萬個對象實例和80個對象類別，每一個圖像有5個標題。

2.Flicker 8k dataset

它是一個圖像說明語料庫，由158,915個衆包說明文字組成，描述了31,783張圖像。 這是Flickr 8k數據集的擴展。新的圖像和標題集中於進行平常活動和事件的人們。

用於人體姿式估計的開源計算機視覺項目

人體姿式估計是計算機視覺的有趣應用。 你必定已經據說過Posenet，它是用於人體姿式估計的開源模型。 簡而言之，姿式估計是一種計算機視覺技術，能夠推斷圖像/視頻中存在的人或物體的姿式。

在討論姿式估計的工做原理以前，讓咱們首先了解「人體姿式骨架」。 它是定義一我的的姿式的一組座標。 一對座標是肢體。 此外，經過識別，定位和跟蹤圖像或視頻中人類姿式骨架的關鍵點來執行姿式估計。

若是要開發姿式估計模型，如下是一些數據集：

1.MPII

MPII Human Pose數據集是用於評估關節式人體姿式估計的最新基準。 該數據集包含約25K圖像，其中包含超過4萬名帶註釋的人體關節的人。 整體而言，數據集涵蓋410種人類活動，每一個圖像都有一個活動標籤。

2.HUMANEVA

HumanEva-I數據集包含與3D人體姿式同步的7個校準視頻序列。 數據庫包含4個執行6種常見動做（例如，步行，慢跑，打手勢等）的對象，這些動做被分爲訓練，驗證和測試集。

我發現Google的DeepPose是一篇很是有趣的研究論文，使用深度學習模型進行姿式估計。 此外，你能夠訪問有關姿式估計的多個研究論文，以更好地理解它。

經過面部表情進行情感識別的開源計算機視覺項目

面部表情在非語言交流以及識別人的過程當中起着相當重要的做用。 它們對於識別人的情緒很是重要。 所以，關於面部表情的信息一般用於情緒識別的自動系統中。

情緒識別是一項具備挑戰性的任務，由於情緒可能會因環境，外觀，文化和麪部反應而異，從而致使數據不明確。

面部表情識別系統是一個多階段過程，包括面部圖像處理，特徵提取和分類。

如下是你能夠進行練習的數據集：

Real-world Affective Faces Database

Real-world Affective Faces Database（RAF-DB）是一個大規模的面部表情數據庫，包含約30K多種多樣的面部圖像。 它由29672個真實世界的圖像和每一個圖像的7維表達分佈矢量組成。

用於語義分割的開源計算機視覺項目

當咱們談論計算機視覺技術中的完整場景理解時，語義分割就出現了。任務是將圖像中的全部像素分類爲對象的相關類別。

開源計算機視覺項目-語義細分

如下是實踐該主題的開源數據集的列表：

1.CamVid

該數據庫是要發佈的第一個按語義細分的數據集之一。這一般用於（實時）語義分割研究中。數據集包含：

367對訓練

101個驗證對

233個測試對

2.Cityscapes

該數據集是原始城市景觀的通過處理的子樣本。數據集具備原始視頻的靜止圖像，而且語義分割標籤顯示在原始圖像旁邊的圖像中。這是用於語義分割任務的最佳數據集之一。它具備2975個訓練圖像文件和500個驗證圖像文件，每一個圖像均爲256×512像素。

用於自動駕駛車輛道路車道檢測的開源計算機視覺項目

自動駕駛汽車是一種可以感知環境並在無人蔘與的狀況下運行的車輛。 他們根據安裝在車輛不一樣部位的各類傳感器建立並維護周圍環境的地圖。

這些車輛具備監視附近車輛位置的雷達傳感器。 攝像機檢測交通訊號燈，讀取路標，跟蹤其餘車輛以及激光雷達（光檢測和測距）傳感器從汽車周圍反射光脈衝以測量距離，檢測道路邊緣並識別車道標記。

車道檢測是這些車輛的重要組成部分。 在公路運輸中，車道是行車道的一部分，被指定用於單行車輛來控制和引導駕駛員並減小交通衝突。 如下是一些可用於實驗的數據集：

1.TUsimple

該數據集是Tusimple車道檢測挑戰賽的一部分。 它包含3626個視頻片斷，每一個片斷1秒。這些視頻剪輯中的每個都包含20幀，並帶有帶註釋的最後一幀。它包含訓練和測試數據集，其中包含3626個視頻剪輯，訓練數據集中的3626個帶註釋的幀和2782個用於測試的視頻剪輯。

其實，已經有愈來愈多的基於AI人工智能計算機視覺的項目開始在實際場景中應用。例如支持人臉識別和車牌識別的EasyCVR視頻智能分析平臺，基於AI智能識別及多目標跟蹤等技術，綜合處理和分析來自道路監控攝像機的視頻圖像，能夠感知不少關鍵信息。

藉助深度學習技術，能實現交通違法行爲的分析判斷，能夠對人臉、車輛進行識別，實時監控分析道路車流量變化，違規車牌照片、司機疲勞狀態等，AI能在交通調度、交通規劃、交通行爲管理以及交通安全預防等場景中發揮重要做用。