Отображение целостного образа непосредственно воздействующего предмета: Тестовые задания всероссийской олимпиады по обществознанию 11 класс. Школьный уровень

Константность восприятия: определение термина, функции и значение, примеры

Восприятие помогает человеку познать объективную действительность. Константность, которая является одним из основных его свойств, выражается в постоянстве цвета, формы и величины предметов, а также обеспечивает индивиду познание окружающего мира.

Восприятие и его свойства

Восприятие по своей сущности относится к сложному психическому процессу, которое заключается в целостном отражении явлений и предметов, действующих в определенное время на органы чувств. Условно восприятие представляют как совокупность мышления, памяти и ощущений. Специалисты выделяют следующие свойства восприятия:

Предлагаем рассмотреть каждый из вышеперечисленных свойств наиболее подробно.

Предметность

С помощью предметности и константности восприятия человек не способен воспринимать окружающую действительность в виде набора различных ощущений. А вместо этого он видит и различает отдельные друг от друга предметы, которые обладают определенными свойствами, вызывающими эти ощущения. После долгого изучения и проведения различных экспериментов ученые пришли к выводу, что отсутствие предметности восприятия способно вызвать дезориентацию в пространстве, нарушение восприятия цвета, формы и движения, а также галлюцинации и другие психические отклонения.

Один из таких подобных экспериментов заключался в следующем: испытуемого поместили в ванну с физиологическим раствором комфортной для него температуры, где его восприятие было ограничено. Он лишь видел блеклый белый свет и слышал монотонные отдаленные звуки, а покрытия на его руках мешали получить осязательные ощущения. Спустя несколько часов пребывания в таком состоянии у человека нарастало тревожное состояние, после которого он просил прекратить опыт. Во время эксперимента испытуемые отмечали отклонения в восприятии времени и галлюцинации.

Целостность

Стоит отметить, что целостность и константность восприятия взаимосвязаны между собой. Данное свойство восприятия позволяет создать целостный образ предмета, при помощи обобщенной полученной информации об отдельных качествах и признаков предмета. Благодаря целостности мы способны воспринимать определенным образом организованную действительность, а не хаотическое скопление прикосновений, отдельных звуков и цветовых пятен. Например, при прослушивании музыки нашему восприятию подвластно слышать не отдельные звуки (колебания частот), а мелодию в целом. Так и со всем происходящем — мы видим, слышим и чувствуем целостную картину, а не отдельные части происходящего.

Осмысленность

Суть этого свойства заключается в том, чтобы дать воспринимаемому явлению или объекту определенный смысл, обозначить его словом, а также отнести к определенной языковой группе, исходя из багажа знаний субъекта и его прошлого опыта. Одной из самых простых форм осмысливания явлений и предметов считается узнавание.

Швейцарский психолог Герман Роршах выявил, что даже случайные чернильные пятна воспринимаются человеком как что-то осмысленное (озеро, облако, цветы и т. д.), и только людям с психическими отклонениями свойственно воспринимать их просто как абстрактные пятна. Из этого следует, что восприятие осмысленности протекает в качестве процесса поиска ответов на вопрос: «Что это?».

Структурность

Это свойство помогает человеку объединять воздействующие стимулы в сравнительно простые и целостные структуры. Благодаря устойчивым признакам объектов человек способен узнавать и различать их. Внешне различные, но по существу однообразные предметы опознаются как таковые при помощи отражения их структурной организации.

Обобщенность

Определенное обобщение можно проследить в каждом процессе восприятия, а степень обобщения связана непосредственно с уровнем и объемом знаний. Например, белый цветок с шипами осознается человеком как роза, или как представитель семейства разноцветных. В обобщении главную роль играет слово, а называние синонимом определенного предмета помогает повысить уровень обобщения восприятия.

Избирательность

Подразумевает преимущественное выделение определенных объектов по отношению к другим, обусловленное отличительными чертами субъекта восприятия: его мотивами, потребностями, опытом и др. Из многочисленного количества окружающих нас явлений и предметов человек выделяет в определенный момент лишь некоторые из них, а остальные остаются лишь фоном. Константность восприятия, осмысленность, избирательность и другие его свойства имеют огромное биологическое значение. В противном случае существование и адаптация человека были бы невозможны в окружающей мире, если бы восприятие не отражало ее постоянных и стабильных свойств.

Константность

Целостность восприятия имеет тесную связь с константностью, под которой следует понимать относительную независимость определенных свойств предметов от их отображений на рецепторные поверхности. При помощи константности мы имеем возможность воспринимать явления и предметы как относительно постоянные по положению, величине, цвету и форме.

В психологии константность восприятия — это стабильность принятия разнообразных свойств явлений или предметов, сохраняющиеся при разных физических изменениях стимуляции: интенсивности скорости, расстояния, света и многого другого.

Значимость константности

Оа помогает индивиду различать размеры определенных предметов, его объективную форму, цвет и угол зрения воспринимаемых объектов. В качестве примера константности восприятия можно привести следующее: только представьте, если наше восприятие не имело бы такого свойства, то при каждом движении любой предмет потерял бы свои свойства.

В этом случае, вместо определенных вещей мы бы видели лишь постоянное мерцание непрерывно уменьшающихся и увеличивающихся, сдвигающихся, растягивающихся и сплющивающихся бликов и пятен невообразимой пестроты. При этом раскладе человеку не удалось бы воспринимать мир устойчивых объектов и явлений, что, соответственно, не смогло бы служить в качестве средства познания объективной действительности.

Таким образом, константность восприятия — это свойство перцептивного образа сохранять относительную неизменность при изменении условий восприятия, отсутствие которого привело бы к сплошному хаосу. Именно поэтому ученые уделяют данному аспекту особое внимание.

Константность восприятия: виды константности

Специалисты выделяют достаточно больше количество видов. Это свойство восприятия имеет место почти для любого воспринимаемых характеристик предмета. Рассмотрим самые популярные прямо сейчас.

Стабильность видимого мира

Одним из самых важных и фундаментальных среди видов константности является стабильность окружающего мира. Специалисты также называют этот вид константностью зрительного направления. Его суть заключается в следующем: при движении взгляда наблюдателя или его самого движущимся кажется сам человек, а окружающие его предметы воспринимаются неподвижными. Стоит отметить, что постоянным и воспринимаемым нами является и вес предмета. Несмотря на то, поднимаем ли мы груз всем телом, ногой, одной или двумя руками — оценка веса предмета будет примерно одинаковой.

Константность формы

Искажения восприятия формы предметов можно встретить в том случае, когда изменяется ориентация объектов или же самого субъекта. Этот вид является одним из важных свойств зрительной системы, так как правильное распознавание формы предметов— необходимое условие адекватного взаимодействия человека с окружающим миром. Одним из первых, кто выявил роль знаний наблюдателя и признаков удаленности в константности формы, стал Роберт Таулесс.

В 1931 г. психологом был проведен эксперимент, суть которого заключалась в следующем: он предложил испытуемым оценить и нарисовать или подобрать из определенного набора квадраты или круги, которые бы были похожи по форме на предложенные предметы, лежащие на горизонтальной поверхности на разном расстоянии от наблюдателя. В результате опыта испытуемые выбирали форму стимула, которая не совпадала ни с проекционной формой, ни с его реальной, а лежала между ними.

Восприятие скорости

Считается, чем ближе траектория движения, тем выше станет скорость смещения ретинальной картины объектов.

Поэтому два далеко расположенных предмета кажутся медленнее, чем в реальном измерении. Воспринимаемая скорость близлежащих вещей зависит от феноменального расстояния, проходимого в единицу времени и, как правило, существенно не меняется.

Константность цвето- и светоощущения

Под константностью цвета подразумевается способность зрения корректировать восприятие цвета предметов, например, при естественном освещении в любое время суток или при изменении спектра их освещения, например, при выходе их темного помещения. Специалисты пришли к мнению, что механизм константности восприятия является приобретенным.

Об этом свидетельствует ряд исследований. В одном эксперименте ученые провели исследование на людях, постоянно проживающих в густом лесу. Их восприятие представляет интерес, так как ранее они не встречали объектов на большой дистанции. Когда наблюдавшим показали предметы, которые находились на большом расстоянии от них, им показались эти объекты не как удаленные, а как маленькие.

Аналогичные нарушения константности можно заметить у жителей равнин, когда они смотрят на объекты вниз с высоты. К тому же, из верхнего этажа высотного дома автомобили или проходящие люди кажутся нам крошечных размеров. Стоит отметить, что у ребенка с двух лет начинают формироваться такие виды константности, как величины, формы и цвета. К тому же, они имеют свойство совершенствоваться вплоть до четырнадцати лет.

Константность величины

Известным фактом является то, что изображение предмета, а также изображение его на сетчатке, уменьшается, когда дистанция до него увеличивается, и наоборот. Но несмотря на то, что при варьировании расстояния наблюдения величина предметов на сетчатке глаза изменяется, его воспринимаемые размеры остаются практически неизменными. К примеру, посмотрите на зрителей в кинотеатре: все лица нам будут казаться практически одинаковыми по величине, при всем том, что изображения лиц, находящихся далеко, намного меньше, чем расположенных близко от нас.

В заключение

Ключевым источником константности является активная деятельность перцептивной системы. Ей удается корректировать и исправлять различные ошибки, вызванные много­образием окружающего мира предметов, а также создавать адекватные образы восприятия. Примером тому может стать следующее: если надеть очки и зайти в незнакомое помещение, то можно проследить, как зрительное восприятие будет искажать изображения и предметы, но спустя некоторое время человек перестает замечать искажения, вызванные очками, хотя они и будут отражаться на сетчатке глаза.

Адекватное соотношение между отображенными в восприятии предметами окружающего мира и самим восприятием ─ это главное соотношение, в результате которого регулируются все соотношения между состояниями сознания, раздражениями и раздражителями. Таким образом следует сделать вывод, что константность восприятия, формирую­щаяся в процессе предметной деятельности, можно считать необходимым условием жизни и деятельности человека. Без данного свойства восприятия любому человеку было бы сложно ориентироваться в изменчивом и бесконечно многообразном мире.

Источник: fb.ru

Назовите четыре свойства образов восприятия и конкретизируйте их пояснениями (сначала назовите свойство, затем приведите пояснение).

Ощущение — это отражение отдельных, элементарных свойств (признаков) предмета и явлений окружающего мира при их непосредственном воздействии в данный момент на органы чувств человека. В реальной жизни ощущения отдельно, сами по себе, как правило, не существуют: они входят в сложные процессы восприятия, лежат в основе представления, воображения. Но именно с них начинаются эти сложные психические процессы. Поэтому ощущения выделяют из психической деятельности человека, рассматривают и изучают как относительно самостоятельный простейший психический процесс.

Из разных ощущений складываются целостные психические образы, к ним относятся образы восприятия и образы представления. Восприятие — это наглядно-образное отражение действующих в данный момент на органы чувств вещей, предметов, а не отдельных их свойств и признаков. Образы восприятия обладают рядом важных свойств. Образ восприятия — это целостное, осознанное отражение познаваемого предмета или явления психики. В образе восприятия отражается объект познания, а не процессы, происходящие в нервной системе человека, которые приводят к созданию этого образа. Создаваемый у человека образ восприятия недоступен постороннему наблюдателю и имеет существенные различия у разных людей. Они зависят от особенностей человека, от его убеждений и установок, от его жизненного опыта и знаний, обученности и способностей, от его интересов и того смысла, который имеет для него познание данного предмета или явления; наконец, от его настроения в данный момент.

Образы представления — психические образы не воспринимаемых в данный момент предметов или явлений, которые основаны на прошлом их восприятии. Иными словами, образы представления — это образы памяти. Образы представления существенно отличаются от соответствующих им образов восприятия, на основе которых они возникли. Если образы восприятия — результат одномоментного процесса и при исчезновении предмета восприятия исчезает образ восприятия (он или забывается, или же переходит в образ представления), то образы представления сохраняются долгое время. При этом они не остаются неизменными: с течением времени они приобретают более абстрактный, обобщённый характер.

(Т.С. Назарова, Е.М. Тихомирова, И.Ю. Кудина и др.)

Тест по обществознанию ЕГЭ Человек

Тест по обществознанию ЕГЭ.

Блок № 1 «Человек».

Часть 1.

Ответами к заданиям 1–20 являются слово (словосочетание), цифра или последовательность цифр. Запишите ответы в поля ответов в тексте работы, а затем перенесите их в БЛАНК ОТВЕТОВ № 1 справа от номеров соответствующих заданий, начиная с первой клеточки, без пробелов, запятых и других дополнительных символов. Каждый символ пишите в отдельной клеточке в соответствии с приведёнными в бланке образцами.

З

1

Ответ: __________________________________________________.

Н

2

1) мировоззрение; 2) миропонимание; 3) мировосприятие; 4) мироощущение.

О

3

Ниже приведены потребности человека. Все из них, за исключением двух, являются социальными потребностями.

1) В трудовой деятельности; 2) в созидании; 3) в творчестве; 4) во взаимопонимании; 5) в отдыхе; 6) в пище.

Найдите два термина, «выпадающих» из общего ряда, и запишите в таблицу цифры, под которыми они указаны.

В

4

ыберите верные суждения о деятельности человека и запишите цифры, под которыми они указаны.

1) Компонентами структуры любой деятельности являются средства, мотивы, эмоции.

2) Познавательная деятельность в отличие от коммуникативной. предполагает использование понятий и терминов.

3) Культура является результатом преобразующей деятельности человека.

4) Деятельность человека в отличие от поведения животных носит осознанный целенаправленный характер.

5) Трудовая деятельность является ведущей на протяжении всей жизни человека.

Ответ: _________________________.

У

5

ПРОЯВЛЕНИЯ КАЧЕСТВ ЧЕЛОВЕКА ПРИРОДА КАЧЕСТВ

А) способность к продолжению рода 1) социальная

Б) способность приспосабливаться 2) биологическая

к условиям природной среды

В) способность накапливать знания

и трудовые навыки

Г) способность видеть цель своих действий

Д) способность оценивать себя и других

Запишите в таблицу выбранные цифры под соответствующими буквами.

М

6

1) изучение английского языка

2) покупка туристической путёвки

3) желание общаться в Интернете

4) чтение книг об истории и культуре Англии

5) знатоки английского искусства

6) путешествие по Англии

Ответ: _______________________________.

В

7

1) Самооценка выступает исходной точкой самопознания.

2) Человек формирует самооценку, сравнивая себя с другими.

3) Завышенная самооценка личности всегда является результатом ее реальных достижений.

4) Люди с низкой самооценкой проводят сравнение с другими, только будучи уверенными в успехе.

5) Заниженная самооценка способствует развитию лидерских качеств.

Ответ: ______________________________.

У

8

ПРИМЕРЫ ВИДЫ ПОТРЕБНОСТЕЙ

А) отдых и сон 1) социальные

Б) общение 2) духовные

В) принадлежность к определённой группе 3) биологические

Г) познание мира

Д) осознание смысла своего существования

Запишите в таблицу выбранные цифры под соответствующими буквами.

9

Найдите в приведенном ниже списке характеристики чувственного познания. Запишите цифры, под которыми они указаны.

1) отображение целостного образа непосредственно воздействующего предмета

2) отражение отдельных свойств предметов, воспринимаемых в данный момент

3) установление взаимосвязи различных понятий

4) обобщение и выделение группы предметов на основе общих признаков

5) получение новых суждений на основе уже имеющихся

6) сохранение в памяти целостного образа предмета

Ответ: _________________________________.

З

10

Ответ: __________________________________.

В

11

 1) По­сле­до­ва­тель­ность ос­нов­ных ста­дий жизни че­ло­ве­ка, при ко­то­рой дет­ство сме­ня­ет­ся зре­ло­стью, а затем на­сту­па­ет ста­рость, био­ло­ги­че­ски обу­слов­ле­на.

2) Ста­нов­ле­ние че­ло­ве­ка как лич­но­сти свя­за­но с при­об­ре­те­ни­ем со­ци­аль­ных черт и ка­честв.

3) Че­ло­век на­сле­ду­ет мо­раль­ные цен­но­сти, также как за­дат­ки к опре­делённым видам де­я­тель­но­сти.

4) Вли­я­ние ге­не­ти­че­ских фак­то­ров на раз­ви­тие спо­соб­но­стей че­ло­ве­ка слу­жит вы­ра­же­ни­ем его со­ци­аль­ной сущ­но­сти.

5) При­род­ная пред­рас­по­ло­жен­ность че­ло­ве­ка к тем или иным видам де­я­тель­но­сти про­яв­ля­ет­ся в со­ци­аль­ных об­сто­я­тель­ствах.

Ответ: ___________________________________.

У

12

Найдите в приведенном списке выводы, которые можно сделать на основе таблицы, и запишите цифры, под которыми они указаны.

1) С возрастом увеличивается доля тех, кто считает, что способности определяются природой.

2) Около трети опрошенных в обеих группах затруднились с ответом на вопрос.

3) С возрастом увеличивается доля людей, считающих, что окружение раскрывает способности человека.

4) Около четверти опрошенных в обеих группах считают, что природные задатки могут быть не востребованы человеком.

5) Большинство опрошенных в обеих группах полагают, что способности человека открывает и развивает его окружение.

О

13

Вы­бе­ри­те вер­ные суж­де­ния о со­от­но­ше­нии сво­бо­ды, не­об­хо­ди­мо­сти и от­вет­ствен­но­сти в де­я­тель­но­сти че­ло­ве­ка и за­пи­ши­те цифры, под ко­то­ры­ми они ука­за­ны.

1) Мно­го­об­ра­зие вы­бо­ра огра­ни­чи­ва­ет сво­бо­ду в де­я­тель­но­сти че­ло­ве­ка.

2) Одним из про­яв­ле­ний не­об­хо­ди­мо­сти в де­я­тель­но­сти че­ло­ве­ка вы­сту­па­ют объ­ек­тив­ные за­ко­ны раз­ви­тия при­ро­ды.

3) От­вет­ствен­ность че­ло­ве­ка по­вы­ша­ет­ся в усло­ви­ях огра­ни­чен­но­го вы­бо­ра стра­те­гий по­ве­де­ния в опре­де­лен­ных си­ту­а­ци­ях.

4) Не­огра­ни­чен­ная сво­бо­да яв­ля­ет­ся без­услов­ным бла­гом для че­ло­ве­ка и об­ще­ства.

5) Го­тов­ность че­ло­ве­ка оце­ни­вать свои дей­ствия с точки зре­ния их по­след­ствий для окру­жа­ю­щих слу­жит одним из про­яв­ле­ний чув­ства от­вет­ствен­но­сти.

У

14

Запишите в таблицу выбранные цифры под соответствующими буквами.

15

Ответ: _________________________________.

Ч

16

1) потребность в общении

2) потребность в сне

3) потребность в достижении статуса

4) потребность в пище

5) потребность в труде

Ответ: _________________________________.

У

17

Запишите в таблицу выбранные цифры под соответствующими буквами.

18

Иван выполнял задание по теме: «Человек как результат биологической и социокультурной эволюции». Он выписывал из учебника черты, свойственные человеку. Какие из них отражают специфику социальной природы человека, в отличие от животного? Запишите цифры, под которыми они указаны.
1) способность к целеполаганию
2) стремление понять окружающий мир
3) использование предметов, данных природой
4) приспособление к условиям окружающей среды
5) общение с помощью членораздельной речи
6) забота о потомстве

Ответ: __________________________________.

19

Старшеклассники организовали шефство над ветеранами Великой Отечественной войны, проживающими в микрорайоне школы. Они покупают продукты, лекарства, оказывают посильную помощь пожилым людям по хозяйству. Ребята организуют встречи с ветеранами, собирают их воспоминания и пополняют экспонатами школьный музей. Какие из приведённых ниже характеристик соответствуют проиллюстрированному данным примером виду деятельности? Запишите цифры, под которыми они указаны.

1)активное влияние на социализацию подростков

2)ценностно-ориентировочная деятельность

3)условный характер деятельности

4)прогностическая деятельность

5)целью деятельности в первую очередь является создание материального продукта

6)материально-производственная деятельность

Ответ: ________________________.

20

Про­чи­тай­те при­ведённый ниже текст, в ко­то­ром про­пу­щен ряд слов. Выберите из предлагаемого списка слова, которые необходимо вставить на место пропусков.

 «Ми­ро­воз­зре­ние — си­сте­ма обоб­щен­ных взгля­дов на мир и место _______________(А) в нем, на от­но­ше­ние людей к окру­жа­ю­щей их дей­стви­тель­но­сти и самим себе, а также обу­слов­лен­ные этими взгля­да­ми ос­нов­ные _______________(Б) людей, их убеж­де­ния, иде­а­лы, прин­ци­пы по­зна­ния и де­я­тель­но­сти, цен­ност­ные ори­ен­та­ции. Ми­ро­воз­зре­ние – это да­ле­ко не все взгля­ды и _______________(В) об окру­жа­ю­щем мире, а толь­ко их пре­дель­ное обоб­ще­ние. Со­дер­жа­ние ми­ро­воз­зре­ния груп­пи­ру­ет­ся во­круг того или иного ре­ше­ния _______________(Г) фи­ло­со­фии. В ка­че­стве _______________(Д) ми­ро­воз­зре­ния ре­аль­но вы­сту­па­ют груп­па и лич­ность. Ми­ро­воз­зре­ние яв­ля­ет­ся ядром об­ще­ствен­но­го и ин­ди­ви­ду­аль­но­го со­зна­ния. Вы­ра­бот­ка ми­ро­воз­зре­ния — су­ще­ствен­ный по­ка­за­тель зре­ло­сти не толь­ко лич­но­сти, но и опре­де­лен­ной _______________(Е), об­ще­ствен­но­го клас­са. По своей сущ­но­сти ми­ро­воз­зре­ние — об­ще­ствен­но-по­ли­ти­че­ский фе­но­мен, воз­ник­ший с по­яв­ле­ни­ем че­ло­ве­че­ско­го об­ще­ства. »

 Слова в списке даны в именительном падеже. Каждое слово может быть использовано только один раз.

Выбирайте последовательно одно слово за другим, мысленно заполняя каждый пропуск. Обратите внимание на то, что слов в списке больше, чем Вам потребуется для заполнения пропусков.

Список терминов:

1) предметы

2) субъект

3) социальная группа

4) жизненные позиции

5) человек

6) рассудок

7) способности

8) представления

9) основной вопрос

В данной ниже таблице приведены буквы, обозначающие пропущенные слова. За­пи­ши­те в таблицу под каж­дой бук­вой номер, выбранного Вами слова.

Не забудьте перенести все ответы в бланк ответов № 1 в соответствии с инструкцией по выполнению работы.

Часть 2.

«Общение – сложный многоплановый процесс установления и развития контактов и связей между людьми, порождаемый потребностями совместной деятельности и включающий в себя обмен информацией и выработку единой стратегии и взаимодействия.

Общение обычно включено в практическое взаимодействие людей (совместный труд, учение, коллективная игра и т.п.) и обеспечивает планирование, осуществление и контролирование их деятельности.

Если отношения определяются через понятия «связи», то общение понимают как процесс взаимодействия человека с человеком, осуществляемый с помощью средств речевого и неречевого воздействия и преследующий цель достижения изменений в мотивационной, эмоциональной и поведенческой сферах участвующих в общении лиц. В ходе общения его участники обмениваются не только своими физическими действиями или продуктами, результатами труда, но и мыслями, намерениями, идеями, переживаниями и т. д. В повседневной жизни человек учится общению с детства, овладевает разными его видами в зависимости от среды, в которой живёт, от людей, с которыми взаимодействует, причем происходит это стихийно, в житейском опыте. В большинстве случаев этого опыта бывает недостаточно для овладения особыми профессиями (педагога, актера, диктора, следователя), а иногда и просто для продуктивного и цивилизованного общения.

По этой причине необходимо совершенствовать знание его закономерностей, накапливать навыки и умения их учета и использования.

Каждая общность людей располагает своими средствами воздействия, которые используются в разнообразных формах коллективной жизни. В них концентрируется социально-психологическое содержание образа жизни. Все это проявляется в обычаях, ритуалах, праздниках, танцах, песнях, сказаниях, мифах, в изобразительном, театральном и музыкальном искусстве, в художественной литературе, кино, радио и телевидении. Эти своеобразные массовые формы общения обладают мощным потенциалом взаимовлияния людей. В истории человечества они всегда служили средствами воспитания,… включения человека через общение в духовную атмосферу жизни.

Проблема человека находится в центре внимания всех аспектов общения. Увлечение лишь инструментальной стороной общения может нивелировать его духовную (человеческую) сущность и привести к упрощенной трактовке общения как информационно-коммуникативной деятельности. При неизбежном научно-аналитическом расчленении общения на составляющие элементы важно не терять в них человека как духовную и активную силу, преобразующую в этом процессе себя и других.

Общение по своему содержанию – сложнейшая психологическая деятельность партнеров».

(В.Г. Крысько)

Н

21

Ч

22

П

23

А

24

К

25

26

Назовите и проиллюстрируйте примерами любые три вида знаний.

У

27

В

28

29

Выберите одно из предложенных ниже высказываний, раскройте его смысл в форме мини-сочинения, обозначив при необходимости разные аспекты поставленной автором проблемы (затронутой темы).

При изложении своих мыслей по поводу поднятой проблемы (обозначенной темы), при аргументации своей точки зрения используйте знания, полученные при изучении курса обществознания, соответствующие понятия, а также факты общественной жизни и собственный жизненный опыт. (В качестве фактической аргументации приведите не менее двух примеров из различных источников.)

Обнаружение целостного вложенного края с помощью OpenCV и глубокого обучения

В этом руководстве вы узнаете, как применить обнаружение целостного вложенного края (HED) с OpenCV и глубоким обучением. Мы применим Holistically-Nested Edge Detection как к изображениям, так и к видеопотокам, а затем сравним результаты со стандартным детектором Canny Edge в OpenCV.

Обнаружение краев позволяет нам находить границы объектов на изображениях и было одним из первых примеров прикладного использования обработки изображений и компьютерного зрения.

Когда дело доходит до обнаружения краев с помощью OpenCV, вы, скорее всего, будете использовать детектор краев Canny; однако у есть несколько проблем с детектором края Canny, а именно:

1. Установка нижних и верхних значений порога гистерезиса — это ручной процесс , который требует экспериментов и визуальной проверки.
2. Пороговые значения гистерезиса, которые хорошо работают для одного изображения, могут не работать для другого (это почти всегда верно для изображений, снятых в различных условиях освещения).
3. Детектор границ Canny часто требует ряда шагов предварительной обработки (например, преобразование в оттенки серого, размытие / сглаживание и т. Д.) Для получения хорошей карты границ.

Holistically-Nested Edge Detection (HED) пытается устранить ограничения краевого детектора Canny через сквозную глубокую нейронную сеть .

Эта сеть принимает изображение RGB в качестве входа и затем создает карту границ в качестве выхода. Кроме того, карта краев, созданная HED, лучше сохраняет границы объектов на изображении.

Чтобы узнать больше о целостном обнаружении краев с помощью OpenCV, просто продолжайте читать!

Обнаружение целостного вложенного края с помощью OpenCV и глубокого обучения

В этом руководстве мы узнаем о Holistically-Nested Edge Detection (HED) с использованием OpenCV и глубокого обучения.

Мы начнем с обсуждения алгоритма Holistically-Nested Edge Detection.

После этого мы рассмотрим структуру нашего проекта, а затем будем использовать HED для обнаружения краев как в изображениях , так и в видео .

Давай, приступим!

Что такое обнаружение целостного вложенного края?

Рисунок 1: Обнаружение целостных вложенных границ с помощью OpenCV и глубокого обучения (источник: Се и Ту, 2015 г. , рис. 1)

Алгоритм, который мы будем использовать сегодня, взят из статьи Се и Ту 2015 г., Обнаружение целостных вложений , или просто «HED» для краткости.

В работе Се и Ту описывается глубокая нейронная сеть, способная автоматически изучать богатые иерархические карты границ, которые способны определять границу края / объекта объектов на изображениях.

Эта сеть обнаружения границ способна получать самые современные результаты на наборах данных Berkely BSDS500 и NYU Depth.

Полный обзор сетевой архитектуры и алгоритма выходит за рамки этой публикации, поэтому, пожалуйста, обратитесь к официальной публикации для получения более подробной информации.

Структура проекта

Возьмите сегодня «Загрузок» и распакуйте файлы.

Оттуда вы можете проверить каталог проекта с помощью следующей команды:

$ tree --dirsfirst
. ├── hed_model
│ ├── deploy.prototxt
│ └── hed_pretrained_bsds.caffemodel
├── изображения
│ ├── cat.jpg
│ ├── guitar.jpg
│ └── janie.jpg
├── detect_edges_image.py
└── detect_edges_video.py

2 каталога, 7 файлов
 

Наша модель HED Caffe включена в каталог hed_model / .

Я предоставил несколько образцов изображений / , включая мое изображение, изображение моей собаки и образец изображения кошки, которое я нашел в Интернете.

Сегодня мы рассмотрим сценарии detect_edges_image.py и detect_edges_video.py . Оба сценария используют один и тот же процесс обнаружения краев, поэтому большую часть времени мы будем тратить на сценарий изображения HED.

Обнаружение целостного вложенного края в изображениях

Пример Python и OpenCV Holistically-Nested Edge Detection, который мы рассматриваем сегодня, очень похож на пример HED в официальном репозитории OpenCV.

Мой основной вклад здесь:

1. Предоставьте дополнительную документацию (при необходимости)
2. И, что наиболее важно, покажет вам, как использовать Holistically-Nested Edge Detection в ваших собственных проектах.

Давайте продолжим и начнем — откройте файл detect_edge_image.py и вставьте следующий код:

# импортируем необходимые пакеты
import argparse
импорт cv2
импорт ОС

# создать парсер аргументов и проанализировать аргументы
ap = argparse.ArgumentParser ()
ap.add_argument ("- d", "--edge-Detector", type = str, required = True,
help = "путь к детектору границ глубокого обучения OpenCV")
ap. add_argument ("- i", "--image", type = str, required = True,
help = "путь к входному изображению")
args = vars (ap.parse_args ())
 

Наш импорт обрабатывается на строках 2-4 . Мы будем использовать argparse для анализа аргументов командной строки. Доступ к функциям и методам OpenCV осуществляется через импорт cv2 . Наш импорт os позволит нам создавать пути к файлам независимо от операционной системы.

Для этого сценария требуются два аргумента командной строки:

• --edge-Detector : путь к детектору границ глубокого обучения OpenCV. Путь содержит два файла Caffe, которые позже будут использоваться для инициализации нашей модели.
• --image : путь к входному изображению для тестирования. Как я уже говорил ранее — я предоставил несколько изображений в «Загрузки» , но вам следует попробовать сценарий и на своих собственных изображениях.

Давайте определим наш класс CropLayer :

класс CropLayer (объект):
def __init __ (self, params, blobs):
# инициализируем начальную и конечную (x, y) -координаты
# урожай
self.startX = 0
я.startY = 0
self.endX = 0
self.endY = 0
 

Чтобы использовать модель Holistically-Nested Edge Detection с OpenCV, нам нужно определить собственный класс обрезки слоя — мы соответствующим образом назовем этот класс CropLayer .

В конструкторе этого класса мы сохраняем начальную и конечную (x, y) -координаты того места, где урожай будет начинаться и заканчиваться, соответственно ( строки 15–21, ).

Следующим шагом при применении HED с OpenCV является определение функции getMemoryShapes , метода, отвечающего за вычисление размера тома входов :

def getMemoryShapes (себя, входы):
# слой обрезки получит два входа - нам нужно обрезать
# первый входной BLOB-объект должен соответствовать форме второго,
# сохранение размера пакета и количества каналов
(inputShape, targetShape) = (входы [0], входы [1])
(batchSize, numChannels) = (inputShape [0], inputShape [1])
(H, W) = (targetShape [2], targetShape [3])

# вычисляем начальные и конечные координаты урожая
я.startX = int ((inputShape [3] - targetShape [3]) / 2)
self. startY = int ((inputShape [2] - targetShape [2]) / 2)
self.endX = self.startX + W
self.endY = self.startY + H

# вернуть форму объема (мы выполним фактический
# обрезка во время прямого прохода
return [[batchSize, numChannels, H, W]]
 

Строка 27 определяет форму входного объема, а также целевую форму.

Строка 28 также извлекает размер пакета и количество каналов из входов .

Наконец, Line 29 извлекает высоту и ширину целевой формы соответственно.

Учитывая эти переменные, мы можем вычислить начальную и конечную координаты урожая (x, y) на строках 32-35 .

Затем мы возвращаем форму объема вызывающей функции в , строка 39 .

Последний метод, который нам нужно определить, — это функция forward . Эта функция отвечает за выполнение обрезки во время прямого прохода (т. е.е., вывод / прогнозирование края) сети:

def вперед (себя, входы):
# используем производные (x, y) -координаты для обрезки
return [входы [0] [:,:, self.startY: self.endY,
self.startX: self.endX]]
 

Строки 43 и 44 используют преимущества удобного синтаксиса нарезки списков / массивов Python и NumPy.

Учитывая наш класс CropLayer , теперь мы можем загрузить нашу модель HED с диска и зарегистрировать CropLayer с сетью :

# загружаем наш сериализованный детектор края с диска
print ("[ИНФОРМАЦИЯ] детектор края загрузки. .. ")
protoPath = os.path.sep.join ([args ["edge_detector"],
"deploy.prototxt"])
modelPath = os.path.sep.join ([args ["edge_detector"],
"hed_pretrained_bsds.caffemodel"])
net = cv2.dnn.readNetFromCaffe (protoPath, modelPath)

# регистрируем наш новый слой с моделью
cv2.dnn_registerLayer ("Обрезка", CropLayer)
 

Наш путь к прототипу и путь к модели строятся с использованием аргумента командной строки --edge-detect , доступного через args ["edge_detector"] ( строки 48-51 ).

Отсюда и protoPath , и modelPath используются для загрузки и инициализации нашей модели Caffe на Line 52 .

Давайте продолжим и загрузим наш вход изображение :

# загружаем исходное изображение и получаем его размеры
image = cv2. imread (args ["изображение"])
(H, W) = image.shape [: 2]

# преобразовать изображение в оттенки серого, размыть его и выполнить Canny
# обнаружение края
print ("[ИНФОРМАЦИЯ] выполняет обнаружение края Canny... ")
серый = cv2.cvtColor (изображение, cv2.COLOR_BGR2GRAY)
размытый = cv2.GaussianBlur (серый, (5, 5), 0)
canny = cv2.Canny (размытый, 30, 150)
 

Наше исходное изображение загружено, и пространственные размеры (ширина и высота) извлекаются в строках 58 и 59 .

Мы также вычисляем карту контуров Canny ( строк 64-66 ), чтобы мы могли сравнить наши результаты обнаружения границ с HED.

Наконец, мы готовы применить HED:

# создать blob из входного изображения для Holistically-Nested
# Детектор края
blob = cv2. dnn.blobFromImage (изображение, scalefactor = 1.0, size = (W, H),
среднее = (104,00698793, 116,66876762, 122,678),
swapRB = Ложь, обрезка = Ложь)

# установить blob как вход в сеть и выполнить прямой проход
# для вычисления ребер
print ("[ИНФОРМАЦИЯ] выполняет целостное обнаружение краев ...")
net.setInput (большой двоичный объект)
hed = net.forward ()
hed = cv2.resize (hed [0, 0], (W, H))
hed = (255 * hed) .astype ("uint8")

# показать результаты обнаружения края вывода для Canny и
# Целостное обнаружение вложенных краев
cv2.imshow ("Ввод", изображение)
cv2.imshow ("Хитрый", хитрый)
cv2.imshow ("HED", hed)
cv2.waitKey (0)
 

Для применения Holistically-Nested Edge Detection (HED) с OpenCV и глубоким обучением мы:

• Создайте blob из нашего изображения ( строк 70-72 ).
• Пропустите BLOB-объект через сеть HED, получив выход hed (, строки 77 и 78, ).
• Измените размер вывода до наших исходных размеров изображения (, строка 79, ).
• Масштабируйте пиксели нашего изображения до диапазона [0, 255] и убедитесь, что тип равен «uint8» (, строка 80, ).

Наконец, мы отобразим:

1. Исходное входное изображение
2. Изображение обнаружения края Canny
3. Наши результаты обнаружения целостного вложенного края

Изображение и результаты HED

Чтобы применить обнаружение целостного вложенного края к вашим собственным изображениям с помощью OpenCV, убедитесь, что вы используете раздел «Загрузки» этого руководства, чтобы получить исходный код, обученную модель HED и примеры файлов изображений.Оттуда откройте терминал и выполните следующую команду:

$ python detect_edges_image. py --edge-Detector hed_model --image images / cat.jpg
[ИНФОРМАЦИЯ] датчик края загрузки ...
[ИНФОРМАЦИЯ] выполняется обнаружение края Canny ...
[ИНФОРМАЦИЯ] выполнение целостного обнаружения краев ...
 

Слева у нас есть входное изображение.

В центре находится кромочный датчик Canny.

А на справа — наш окончательный результат после применения Holistically-Nested Edge Detection.

Обратите внимание, что детектор Canny edge не может сохранить границу объекта: кошка, горы или камень, на котором сидит кошка.

HED, с другой стороны, может сохранить все эти границы объекта.

Давайте попробуем другое изображение:

$ python detect_edges_image. py --edge-Detector hed_model --image images / guitar.jpg
[ИНФОРМАЦИЯ] датчик края загрузки ...
[ИНФОРМАЦИЯ] выполняется обнаружение края Canny ...
[ИНФОРМАЦИЯ] выполнение целостного обнаружения краев ...
 

На Рис. 3 выше мы можем видеть пример изображения, на котором я играю на гитаре. С детектором кромок Canny возникает много «шума», вызванного текстурой и рисунком ковра — HED, напротив, не имеет такого шума.

Более того, HED лучше справляется с захватом границ объектов моей рубашки, джинсов (включая дырку в джинсах) и моей гитары.

Рассмотрим последний пример:

$ python detect_edges_image. py --edge-Detector hed_model --image images / janie.jpg
[ИНФОРМАЦИЯ] датчик края загрузки ...
[ИНФОРМАЦИЯ] выполняется обнаружение края Canny ...
[ИНФОРМАЦИЯ] выполнение целостного обнаружения краев ...
 

На этом изображении есть два объекта: (1) Джени, собака, и (2) стул позади нее.

Детектор края Canny ( в центре ) делает разумную работу, выделяя очертания стула, но не может должным образом уловить границу объекта собаки, в основном из-за переходов свет / темнота и темнота / свет в ее пальто. .

HED ( справа, ) может легче запечатлеть весь контур Джени.

Обнаружение целостных границ в видео

Мы применили обнаружение целостного вложенного края к изображениям с помощью OpenCV. Можно ли сделать то же самое для видео?

Давай узнаем.

Откройте файл detect_edges_video. py и вставьте следующий код:

# импортируем необходимые пакеты
из imutils.video импорт VideoStream
import argparse
импорт imutils
время импорта
импорт cv2
импорт ОС

# создать парсер аргументов и проанализировать аргументы
ap = argparse.ArgumentParser ()
ap.add_argument ("- d", "--edge-Detector", type = str, required = True,
help = "путь к детектору границ глубокого обучения OpenCV")
ap.add_argument ("- i", "--input", type = str,
help = "путь к необязательному входному видео (в противном случае будет использоваться веб-камера)")
args = vars (ap.parse_args ())
 

Для нашего сценария видео требуется три дополнительных импорта:

• VideoStream : считывает кадры из источника входного сигнала, например веб-камеры, видеофайла или другого источника.
• imutils : Мой пакет вспомогательных функций, который я сделал доступным на GitHub и PyPi. Мы используем мою функцию resize .
• время : Этот модуль позволяет нам разместить команду сна, чтобы наш видеопоток установился и «разогрелся».

Два аргумента командной строки в строках 10-15 очень похожи:

• --edge-Detector : путь к краевому детектору OpenCV HED.
• --input : необязательный путь к входному видеофайлу. Если путь не указан, будет использоваться веб-камера.

Наш класс CropLayer идентичен тому, который мы определили ранее:

класс CropLayer (объект):
def __init __ (self, params, blobs):
# инициализируем начальную и конечную (x, y) -координаты
# урожай
я.startX = 0
self.startY = 0
self.endX = 0
self.endY = 0

def getMemoryShapes (себя, входы):
# слой обрезки получит два входа - нам нужно обрезать
# первый входной BLOB-объект должен соответствовать форме второго,
# сохранение размера пакета и количества каналов
(inputShape, targetShape) = (входы [0], входы [1])
(batchSize, numChannels) = (inputShape [0], inputShape [1])
(H, W) = (targetShape [2], targetShape [3])

# вычисляем начальные и конечные координаты урожая
я.startX = int ((inputShape [3] - targetShape [3]) / 2)
self.startY = int ((inputShape [2] - targetShape [2]) / 2)
self.endX = self.startX + W
self.endY = self.startY + H

# вернуть форму объема (мы выполним фактический
# обрезка во время прямого прохода
return [[batchSize, numChannels, H, W]]

def вперед (себя, входы):
# используем производные (x, y) -координаты для обрезки
return [входы [0] [:,:, self.startY: self.endY,
я.startX: self.endX]]
 

После определения нашего идентичного класса CropLayer , мы продолжим и инициализируем наш видеопоток и модель HED:

# инициализируем логическое значение, используемое для обозначения веб-камеры или входа
# видео используется
webcam = not args.get ("input"; False)

# если путь к видео не был указан, возьмите ссылку на веб-камеру
если веб-камера:
print ("[ИНФОРМАЦИЯ] запускает видеопоток ...")
vs = VideoStream (src = 0) .start ()
время.сон (2,0)

# в противном случае получить ссылку на видео файл
еще:
print ("[ИНФОРМАЦИЯ] открытие видеофайла ...")
vs = cv2.VideoCapture (args ["ввод"])

# загружаем наш сериализованный детектор края с диска
print ("[ИНФОРМАЦИЯ] детектор края загрузки ...")
protoPath = os.path.sep.join ([args ["edge_detector"],
"deploy.prototxt"])
modelPath = os.path.sep.join ([args ["edge_detector"],
"hed_pretrained_bsds.caffemodel"])
net = cv2.dnn.readNetFromCaffe (protoPath, modelPath)

# регистрируем наш новый слой с моделью
cv2.dnn_registerLayer ("Обрезка", CropLayer)
 

Независимо от того, выберем ли мы нашу веб-камеру или видеофайл, сценарий будет динамически работать для любого из них (, строки 51-62, ).

Наша модель HED загружена, и CropLayer зарегистрирован на строках 65-73 .

Давайте получим кадры в цикле и применим обнаружение краев!

# зацикливать кадры из видеопотока
в то время как True:
# взять следующий кадр и обработать, если мы читаем из любого
# VideoCapture или VideoStream
кадр = vs.читать()
frame = frame, если веб-камера else frame [1]

# если мы просматриваем видео и не захватили кадр, то мы
# достигли конца видео
если нет веб-камеры и рамки нет:
сломать

# изменить размер кадра и получить его размеры
frame = imutils.resize (рамка, ширина = 500)
(H, W) = frame.shape [: 2]
 

Начинаем перебирать кадры на строках 76-80 . Если мы дойдем до конца видеофайла (что происходит, когда кадр равен Нет ), мы выйдем из цикла (, строки 84 и 85, ).

Строки 88 и 89 изменяют размер нашего кадра так, чтобы он имел ширину 500 пикселей. Затем мы получаем размеры рамки после изменения размера.

Теперь давайте обработаем кадр точно , как в нашем предыдущем скрипте:

# преобразовать кадр в оттенки серого, размыть его и выполнить Canny
# обнаружение края
серый = cv2.cvtColor (рамка, cv2.COLOR_BGR2GRAY)
размытый = cv2.GaussianBlur (серый, (5, 5), 0)
canny = cv2.Canny (размытый, 30, 150)

# конструируем blob из входного фрейма для Holistically-Nested
# Edge Detector, установите blob и выполните прямой проход к
# вычисляем края
blob = cv2.dnn.blobFromImage (кадр, scalefactor = 1.0, size = (W, H),
среднее = (104,00698793, 116,66876762, 122,678),
swapRB = Ложь, обрезка = Ложь)
net.setInput (большой двоичный объект)
hed = net.forward ()
hed = cv2.resize (hed [0, 0], (W, H))
hed = (255 * hed) .astype ("uint8")
 

Обнаружение края Canny ( строк 93-95, ) и обнаружение края HED ( строк 100-106 ) вычисляются по входному кадру.

Оттуда мы отобразим результаты обнаружения края:

# показать результаты обнаружения края вывода для Canny и
# Целостное обнаружение вложенных краев
cv2.imshow ("Рамка", рамка)
cv2.imshow ("Хитрый", хитрый)
cv2.imshow ("HED", hed)
ключ = cv2.waitKey (1) & 0xFF

# если была нажата клавиша `q`, выйти из цикла
если ключ == ord ("q"):
сломать

# если мы используем веб-камеру, остановите видеопоток камеры
если веб-камера:
против остановки ()

# в противном случае отпустить указатель видеофайла
еще:
по сравнению с выпуском ()

# закрыть все открытые окна
cv2.destroyAllWindows ()
 

Наши три выходных кадра отображаются в строках 110-112 : (1) исходный кадр с измененным размером, (2) результат обнаружения края Canny и (3) результат HED.

нажатия клавиш фиксируются через , строка 113 . Если нажать "q" , мы прервем цикл и очистим (, строки 116-128, ).

Видео и результаты HED

Итак, как Holistically-Nested Edge Detection работает в реальном времени с OpenCV?

Давай узнаем.

Обязательно используйте раздел «Загрузки» этого сообщения в блоге, чтобы загрузить исходный код и модель HED.

Оттуда откройте терминал и выполните следующую команду:

$ python detect_edges_video.py - детектор края hed_model
[INFO] запуск видеопотока ...
[ИНФОРМАЦИЯ] датчик края загрузки ...
 

В приведенной выше короткой демонстрации в формате GIF вы можете увидеть демонстрацию модели HED в действии.

Обратите внимание, в частности, на то, как граница лампы на заднем плане полностью теряется при использовании детектора края Canny; однако при использовании HED граница сохраняется.

С точки зрения производительности, я использовал свой Intel Xeon W 3 ГГц, когда собирал демо выше.Мы достигаем производительности процессора в режиме реального времени, используя модель HED.

Для получения истинной производительности в реальном времени вам понадобится графический процессор; Однако имейте в виду, что поддержка графическим процессором модуля «dnn» OpenCV особенно ограничена (в частности, графические процессоры NVIDIA в настоящее время не поддерживаются).

А пока вы можете рассмотреть возможность использования привязок Caffe + Python, если вам нужна производительность в реальном времени.

Сводка

В этом руководстве вы узнали, как выполнять обнаружение целостного вложенного края (HED) с использованием OpenCV и глубокого обучения.

В отличие от детектора края Canny, который требует шагов предварительной обработки, ручной настройки параметров и часто не работает с изображениями, снятыми при различных условиях освещения, Holistically-Nested Edge Detection стремится создать сквозную границу для глубокого обучения. детектор.

Как показывают наши результаты, выходные карты границ, созданные HED, лучше справляются с задачей сохранения границ объекта, чем простой детектор границ Canny. Целостно вложенное обнаружение краев потенциально может заменить обнаружение краев Canny в приложениях, где окружающая среда и условия освещения потенциально неизвестны или просто не поддаются контролю.

Обратной стороной является то, что HED на значительно на вычислительно дороже, чем Canny. Детектор края Canny может работать на ЦП в супер-реальном времени; однако для работы в реальном времени с HED потребуется графический процессор.

Надеюсь, вам понравился сегодняшний пост!

Чтобы загрузить исходный код этого руководства и получать уведомления о публикации будущих руководств на PyImageSearch, просто введите свой адрес электронной почты в форму ниже!

Загрузите исходный код и БЕСПЛАТНОЕ 17-страничное руководство по ресурсам

Мягкое руководство по обнаружению объектов глубокого обучения

Сегодняшний пост в блоге вдохновлен читателем PyImageSearch Иезекиилем, который написал мне на прошлой неделе и спросил:

Привет, Адриан,

Я просмотрел вашу предыдущую запись в блоге об обнаружении объектов глубокого обучения по
с последующим руководством по обнаружению объектов глубокого обучения в реальном времени.Спасибо за это.

Я использовал ваш исходный код в своих примерах проектов, но у меня возникли две проблемы:

1. Как мне отфильтровать / игнорировать классы, которые меня не интересуют?
2. Как мне добавить новые классы в детектор объектов? Это вообще возможно?

Я был бы очень признателен, если бы вы осветили это в своем блоге.

Спасибо.

Иезекииль — не единственный, кто задает эти вопросы. Фактически, если вы просмотрите раздел комментариев к двум моим последним сообщениям об обнаружении объектов глубокого обучения (ссылка приведена выше), вы обнаружите, что один из наиболее распространенных вопросов обычно (перефразированный):

Как мне изменить исходный код, чтобы включить в него мои собственные классы объектов?

Так как это, кажется, очень распространенный вопрос, а в конечном итоге является непониманием того, как на самом деле работают нейронные сети / детекторы объектов глубокого обучения , я решил вернуться к теме обнаружения объектов глубокого обучения в сегодняшнем сообщении в блоге.

В частности, из этого поста вы узнаете:

• Различия между классификацией изображений и обнаружением объектов
• Компоненты детектора объектов глубокого обучения , включая различия между платформой обнаружения объектов n и самой базовой моделью
• Как выполнить обнаружение объектов глубокого обучения с помощью предварительно обученной модели
• Как вы можете фильтровать и игнорировать предсказанные классы из модели глубокого обучения
• Распространенные заблуждения и недопонимания при добавлении или удалении классов из глубокой нейронной сети

Чтобы узнать больше об обнаружении объектов глубокого обучения и, возможно, даже развенчать некоторые неправильные представления или недопонимания, которые могут возникнуть при обнаружении объектов на основе глубокого обучения, просто продолжайте читать.

Мягкое руководство по обнаружению объектов глубокого обучения

Сегодняшняя запись в блоге предназначена для мягкого введения в обнаружение объектов на основе глубокого обучения.

Я сделал все возможное, чтобы предоставить обзор компонентов детекторов объектов глубокого обучения, включая исходный код OpenCV + Python для выполнения глубокого обучения с использованием предварительно обученного детектора объектов.

Используйте это руководство, чтобы помочь вам начать работу с обнаружением объектов глубокого обучения, но также понять, что обнаружение объектов очень тонко и детально. — я не мог включить каждую деталь обнаружения объектов глубокого обучения в отдельную запись в блоге.

Тем не менее, мы начнем сегодняшнюю запись в блоге с обсуждения фундаментальных различий между классификацией изображений и обнаружением объектов , включая то, может ли сеть, обученная классификации изображений, использоваться для обнаружения объектов (и при каких обстоятельствах).

Как только мы поймем, что такое обнаружение объектов, мы рассмотрим основные компоненты детектора объектов с глубоким обучением, в том числе структуру обнаружения объектов и базовую модель , два ключевых компонента, которые читатели, плохо знакомые с обнаружением объектов, обычно неправильно понимают .

После этого мы реализуем обнаружение объектов глубокого обучения в реальном времени с помощью OpenCV.

Я также продемонстрирую, как можно игнорировать и фильтровать классы объектов, которые вас не интересуют , без необходимости изменять архитектуру сети или переобучать модель.

Наконец, мы завершим сегодняшнее сообщение в блоге, обсудив, как можно добавить или удалить классы из детектора объектов глубокого обучения , включая рекомендуемые мной ресурсы, которые помогут вам начать работу.

Давайте продолжим и погрузимся в обнаружение объектов глубокого обучения!

Разница между классификацией изображений и обнаружением объектов

 # импортируем необходимые пакеты
из imutils.video импорт VideoStream
из imutils.video импорт FPS
импортировать numpy как np
import argparse
импорт imutils
время импорта
импорт cv2
 

 # конструируем аргумент, разбираем и разбираем аргументы
ap = argparse.ArgumentParser ()
ap.add_argument ("- p", "--prototxt", required = True,
help = "путь к файлу прототипа Caffe 'deploy'")
ap.add_argument ("- m", "--model", required = True,
help = "путь к предварительно обученной модели Caffe")
ap.add_argument ("- c", "--confidence", type = float, по умолчанию = 0.2,
help = "минимальная вероятность отфильтровать слабые обнаружения")
args = vars (ap.parse_args ())
 

 # инициализировать список меток классов MobileNet SSD был обучен
# обнаружить, затем сгенерировать набор цветов ограничивающей рамки для каждого класса
CLASSES = [«фон», «самолет», «велосипед», «птица», «лодка»,
«бутылка», «автобус», «машина», «кошка», «стул», «корова», «обеденный стол»,
«собака», «лошадь», «мотоцикл», «человек», «растение в горшке», «овца»,
«диван», «поезд», «твмонитор»]
 

 IGNORE = set (["человек"])
 

 ЦВЕТА = np.random.uniform (0, 255, размер = (len (КЛАССЫ), 3))

# загружаем нашу сериализованную модель с диска
print ("[ИНФОРМАЦИЯ] загружает модель ...")
net = cv2.dnn.readNetFromCaffe (args ["prototxt"], args ["модель"])

# инициализировать видеопоток, дать датчику камеры прогреться,
# и инициализировать счетчик FPS
print ("[ИНФОРМАЦИЯ] запускает видеопоток ...")
vs = VideoStream (src = 0) .start ()
time.sleep (2.0)
fps = FPS (). start ()
 

 # перебирать кадры из видеопотока
в то время как True:
# взять кадр из потокового видеопотока и изменить его размер
# иметь максимальную ширину 400 пикселей
кадр = vs.читать()
frame = imutils.resize (рамка, ширина = 400)

# возьмем размеры кадра и преобразуем его в blob
(h, w) = frame.shape [: 2]
blob = cv2.dnn.blobFromImage (cv2.resize (кадр, (300, 300)),
0,007843, (300, 300), 127,5)

# передать BLOB-объект по сети и получить обнаружения и
# прогнозов
net.setInput (большой двоичный объект)
обнаружения = net.forward ()
 

 # loop over the Detec 

.
├── изображения
│ ├── hummingbird.jpg
│ ├── lawn_mower.jpg
│ └── stingray.jpg
├── pyimagesearch
│ ├── __init__.py
│ └── detect_helpers.py
└── detect_with_classifier.ру

2 каталога, 6 файлов 

 # импортируем необходимые пакеты
импорт imutils

def slide_window (изображение, шаг, ws):
# передвигаем окно по изображению
для y в диапазоне (0, image.shape [0] - ws [1], шаг):
для x в диапазоне (0, image.shape [1] - ws [0], шаг):
# вывести текущее окно
yield (x, y, изображение [y: y + ws [1], x: x + ws [0]]) 

 def image_pyramid (изображение, масштаб = 1.5, minSize = (224, 224)):
# вернуть исходное изображение
дать изображение

# продолжаем перебирать пирамиду изображений
в то время как True:
# вычисляем размеры следующего изображения в пирамиде
w = int (image.shape [1] / масштаб)
изображение = imutils.resize (изображение, ширина = ш)

# если изображение с измененным размером не соответствует указанному минимуму
# size, затем прекратите построение пирамиды
если image.shape [0] 
 Наша функция  image_pyramid  также принимает три параметра:
  изображение : входное изображение  , для которого мы хотим сгенерировать многомасштабные представления.
  масштаб : наш масштабный коэффициент   определяет, насколько изменяется размер изображения на каждом слое. Меньшие значения масштаба дают больше слоев в пирамиде, а большие значения масштаба дают меньше слоев.
   minSize  : Управляет минимальным размером   выходного изображения (слой нашей пирамиды). Это важно, потому что мы могли бесконечно эффективно создавать постепенно уменьшающиеся масштабированные представления нашего входного изображения. Без параметра  minSize  наш цикл  и  будет продолжаться бесконечно (это , а не , что мы хотим).
 Теперь, когда мы знаем параметры, которые должны быть введены в функцию, давайте погрузимся во внутреннее устройство нашей функции генератора пирамиды изображений.
 Ссылаясь на  Рисунок 2 , обратите внимание, что наибольшее представление нашего изображения - это само входное изображение.  Строка 13  нашего генератора просто дает исходное неизмененное изображение   в первый раз, когда нашему генератору предлагается создать слой нашей пирамиды.
 Последующие сгенерированные изображения управляются бесконечным циклом , в то время как цикл True  начинается с , строка 16 .
 Внутри цикла мы сначала вычисляем размеры следующего изображения в пирамиде в соответствии с нашим масштабом   и исходным размером  изображения  (, строка 18, ). В этом случае мы просто делим ширину входного изображения на масштаб  , чтобы определить отношение ширины ( к ).
 Далее мы продолжаем и  изменяем размер  изображения   до ширины  , сохраняя соотношение сторон (, строка 19, ).Как видите, мы используем помощник по изменению размера с учетом аспектов, встроенный в мой пакет imutils.
 Пока мы фактически закончили (мы изменили размер нашего изображения  , и теперь мы можем  дать  его), нам нужно реализовать условие выхода    , чтобы наш генератор знал, что нужно остановиться. Как мы узнали, когда определили наши параметры для функции  image_pyramid , условие выхода определяется параметром  minSize . Следовательно, условие  в строках 23 и 24  определяет, является ли изображение с измененным размером слишком маленьким (высота  или ширина ), и соответственно выходит из цикла.
 Предполагая, что наше масштабированное выходное изображение  изображение  проходит наше пороговое значение  minSize ,  Строка 27  передает его вызывающему.
 Для получения более подробной информации, пожалуйста, обратитесь к моей статье «Пирамиды изображений  с Python и OpenCV », которая также включает альтернативную реализацию пирамиды изображений scikit-image, которая может быть вам полезна.
  Использование Keras и TensorFlow для превращения предварительно обученного классификатора изображений в детектор объектов  
 Теперь, когда реализованы наши функции  скользящее окно  и  image_pyramid , давайте воспользуемся ими, чтобы взять глубокую нейронную сеть, обученную классификации изображений, и превратить ее в детектор объектов.
 Откройте новый файл, назовите его  detect_with_classifier.py  и начнем кодирование:
 # импортируем необходимые пакеты
из tenorflow.keras.applications импортировать ResNet50
из tensorflow.keras.applications.resnet импорт preprocess_input
из tensorflow.keras.preprocessing.image import img_to_array
из tensorflow.keras.applications импортировать imagenet_utils
из imutils.object_detection import non_max_suppression
из pyimagesearch.detection_helpers импорт скользящего_окна
из pyimagesearch.Detection_helpers import image_pyramid
импортировать numpy как np
import argparse
импорт imutils
время импорта
импорт cv2 
 Этот сценарий начинается с выбора импорта, включая:
  ResNet50 : популярный классификатор сверточной нейронной сети ResNet (CNN), разработанный He et al. представили в своей статье 2015 года  Deep Residual Learning for Image Recognition . Мы загрузим в эту CNN предварительно обученные веса ImageNet.
  non_max_suppression : Реализация NMS в моем пакете imutils.
  скользящее окно : Наша функция генератора скользящего окна, как описано в предыдущем разделе.
  image_pyramid : генератор пирамиды изображений, который мы определили ранее.
 # построить аргумент, синтаксический анализ и синтаксический анализ аргументов
ap = argparse.ArgumentParser ()
ap.add_argument ("- i", "--image", required = True,
help = "путь к входному изображению")
ap.add_argument ("- s", "--size", type = str, default = "(200, 150)",
help = "Размер ROI (в пикселях)")
ap.add_argument ("- c", "--min-conf", type = float, по умолчанию = 0.9,
help = "минимальная вероятность отфильтровать слабые обнаружения")
ap.add_argument ("- v", "--visualize", type = int, по умолчанию = -1,
help = "показывать ли дополнительные визуализации для отладки")
args = vars (ap.parse_args ()) 
 Следующие аргументы должны быть предоставлены этому сценарию Python во время выполнения с вашего терминала:
   --image  : путь к входному изображению для обнаружения объектов на основе классификации.
   --size  : кортеж, описывающий размер скользящего окна. Этот кортеж должен быть заключен в кавычки, чтобы наш синтаксический анализатор аргументов мог получить его прямо из командной строки.
   --min-conf  : минимальный порог вероятности для фильтрации слабых обнаружений.
  --visualize : переключатель для определения необходимости отображения дополнительных визуализаций для отладки.
 Теперь у нас есть несколько констант, которые нужно определить для наших процедур обнаружения объектов:
 
.