标签：自己   bottle   car   pytho   目标识别   strong   details   sina   script   

VOC标准数据集中一共有20个类别：

‘aeroplane‘, ‘bicycle‘, ‘bird‘, ‘boat‘,
‘bottle‘, ‘bus‘, ‘car‘, ‘cat‘, ‘chair‘,
‘cow‘, ‘diningtable‘, ‘dog‘, ‘horse‘,
‘motorbike‘, ‘person‘, ‘pottedplant‘,
‘sheep‘, ‘sofa‘, ‘train‘, ‘tvmonitor‘

可以尝试用其中的红色标注的五个类别来对隧道目标进行识别。

标准数据集中的车和行人的图像都很清晰，不能代表隧道中的复杂形势。

用faster R-CNN的VGG16网络模型对标准数据集和隧道数据集分别训练，比较训练后的准确率，观察是否用隧道数据集对网络进行训练比标准数据集要好。

Faster R-CNN+VGG16训练pascal VOC2007

Faster R-CNN训练pascal VOC2007

./experiments/scripts/faster_rcnn_end2end.sh 0 VGG16 pascal_voc 

Faster R-CNN+VGG16训练隧道数据集

参考：Faster-RCNN+ZF用自己的数据集训练模型(Python版本)

隧道目标识别实验过程（二）标准VOC数据集和制作后的数据集实验结果对比

标签：自己   bottle   car   pytho   目标识别   strong   details   sina   script   

原文地址：http://www.cnblogs.com/zhoulixue/p/6790825.html