MemuConvert

基本上，MemuConvert是一种图像处理方法。目的是减少目标检测中的标记处理工作量。

我为什么要开发这个方法？

我参加了一个团队的比赛，我们的任务是用无人机的数据检测汽车。我们在YOLOV3中使用它自己的数据集尝试了这个任务。然而，这是一个失败，因为数据集不充分。因此，我们理解，我们必须从头开始训练人工智能。

目标检测分为3个步骤：采集数据、标注数据、训练阶段。主要问题是需要大量的标注数据。有三种解决方案，与其他人工智能一起训练人工智能，使用scale.ai等网站，以及使用算法。我们没有另一个人工智能来训练，我们不想花钱，因为我们想在比赛中有所作为。因此，我们搜索了算法，但问题是一样的，过程是基于人力的。之所以会出现此问题，是因为应该为每个图像定义新的阈值。出于这个原因，我不得不限制门槛。

该方法

可以从图像、颜色和形状获取两种类型的数据。每个人都有自己的问题。例如，形状算法无法找到脸部或汽车等大多数对象，因为它们是其他元素的总和。如果车只有车身和轮胎，我们就叫它“车”。由于大多数物体都是推理结果，形状算法找不到结果。它逐一找出所有的推论。有时，它也会发现一些人造的表情，比如天际线。因此，新的方法应该基于颜色，但大多数情况下，图像在所需颜色中具有不需要的像素。

在A1中，建筑物和出租车具有相同的调色板，因此这是颜色算法的两个相同对象。因此，我应该去掉那些多余的颜色。

步骤

海绵测试

海绵测试是对我在图像中所做的物理描述。想象一下，一块海绵上只有一个红点。如果你挤压那块海绵，海绵上的红色就会消失。总而言之，这种物理应用提供了主色，这为用主色重建对象提供了机会。

Kimage：表示经过海绵测试的图像中分割出的矩形个数。

Kxcolor：表示特定矩形的主色。

在开始时，我将Kimage修复为1024，但在低质量图像中，Kimage不起作用。因此，我将Kimage固定为图像的x长度。但是，有些图像对于等长矩形并不方便。因此，一些矩形重叠在每个矩形上。因此，为了去掉这些矩形，需要对图像进行模糊处理。

所有的图像都有相同的阈值！

总而言之，

该方法为快速训练目标检测人工智能提供了机会。然而，由于算法的通用性，它并不能精确地标注所有的图像。