tensorflow - 如何提高目标检测的准确性，主要跟踪人工智能的计算机视觉应用到工业部署规模？

Question

我目前正在使用来自 tensorflow.js 的 coco-ssd mobilenet。我正在使用这个模型来预测 coco 数据集中存在的运动球周围的边界框。但准确度相当低。我基本上是通过在javascript中使用质心跟踪算法在两者之间建立关联来进行对象检测和跟踪的。一切都很好，但是当默认模型无法预测 n 帧的球时，跟踪器会丢弃该球并假定它是一个新球。所以，我想提高准确性，这样我的检测就不会失败。

这就是我从 tensorflow 导入 coco-ssd 模型的方式

<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs/dist/tf.min.js" type="text/javascript"></script>
<script src="https://cdn.jsdelivr.net/npm/@tensorflow-models/coco-ssd"></script>

这就是我加载模型以进一步预测边界框的方式

cocoSsd.load({ base: "mobilenet_v2" }).then(function(loadedModel) {
    console.log("Loaded Model");
    model = loadedModel;
});

推论一下，这里的video是html的实际video元素。

model.detect(video).then(function(predictions) { 
     console.log(predictions)
});

那么，如何通过丢失检测来改进对象跟踪。任何建议或想法！

标签： tensorflowobject-detectiontensorflow.jspre-trained-modelmobilenet