【目标检测】方法概述_机器不学习我学习的博客-程序员秘密

0. 重要论文：

在这里插入图片描述

1. 什么是目标检测

1.1 目标检测的定义：

识别图片或者视频中有哪些物体以及物体的位置（坐标位置）
在这里插入图片描述
什么是物体（物体的定义）：
图像（或者视频）中存在的对象，但是能检测哪些物体会受到人为设定限制。
目标检测中能检测出来的物体取决于当前任务（数据集）需要检测的物体有哪些。假设我们的目标检测模型定位是检测动物（例如，牛、羊、猪、狗、猫五种），那么模型对任何一张图片输出结果不会输出鸭子、鹅、人等其他类型结果。

什么是位置（位置的定义）：
目标检测的位置信息一般有2种格式（以图片左上角为原点（0,0））：

极坐标表示：（xmin，ymin，xmax，ymax）
xmin，ymin：x，y坐标的最小值
xmax，ymax：x，y坐标的最大值
中心点坐标：（x_center，y_center，w，h）
x_center，y_center：目标检测框的中心点坐标
w，h：目标检测框的宽，高

例：
假设一张图片是100*800，所有这些坐标都是构建在像素层面上：
在这里插入图片描述
中心点坐标结果为：

2. 目标检测技术的发展历史

目标检测算法分类：

角度一：
a. 传统目标检测方法（候选区域+手工特征提取+分类器）
HOG+SVM、DPM
b. region proposal+CNN提取分类的目标检测框架
R-CNN，SPP-NET，Fast R-CNN，Faster R-CNN
c. 端到端（End-to-End）的目标检测框架
YOLO系列，SSD

传统目标检测（缺点、弊端）
1）基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余
2）手工设计的特征对于多样性的变化没有很好的鲁棒性

角度二：
（1）两步走（two stage）的目标检测：先进行区域推荐，而后进行目标分类
主要算法：R-CNN，SPP-NET，Fast R-CNN，Faster R-CNN
（2）端到端（one stage）的目标检测：采用一个网络一步到位
主要算法：YOLO系列（YOLO v1，YOLO v2等），SSD
在这里插入图片描述
目标检测的任务
分类原理：
先来回顾下分类原理，这是一个常见的CNN组成图，输入一张图片，经过其中的卷积、激活、池化相关层，最后加入全连接层达到分类概率的效果。

分类的损失与优化：
在训练的时候需要计算每个样本的损失，那么CNN做分类的时候使用softmax函数计算结果，损失为交叉熵损失
在这里插入图片描述
常见的CNN模型：

对于目标检测来说不仅仅是分类这样简单的一个图片输出一个结果，而且还需要输出图片中目标（物体）的位置信息，所以从分类到检测，过程如下：

分类：
在这里插入图片描述
分类+定位（只有一个目标的时候）

目标检测的任务
分类：
1）N个类别
2）输入：图片
3）输出：类别标签
4）评估指标：Accuracy

定位：
1）N个类别
2）输入：图片
3）输出：物体的位置坐标
4）主要评估指标：IOU
在这里插入图片描述
其中我们得出来的(x,y,w,h)有一个专业的名词，叫做bounding box(bbox)

两种Bounding box名称：
在目标检测当中，对bbox主要由两种类别名称
（1）Ground-truth bounding box：图片中真实标记框
（2）Predicted bounding box：预测的标记框
在这里插入图片描述
一般在目标检测任务当中，我们预测的框有可能很多个，真实的框GT也有很多个

检测任务的评价指标：

任务	描述	输入	输出	评价指标
Detection and Localization（检测和定位）	在输入图片中找出存在的物体类别和位置（可能存在多种物体）	图片（image）	类别标签（categories）位置（bbox（x,y,w,h））	IoU（Intersection over Union）mAP（mean Average Precision）

IoU（交并比）：
两个区域的重叠程度overlap：候选区域和标定区域的IoU值
在这里插入图片描述
目标定位的简单实现：
在分类的时候我们直接输出各个类别的概率，如果再加上定位的话，我们可以考虑在网络的最后输出加上位置信息。
回归位置：
增加一个全连接层，即为FC1、FC2
1）FC1：作为类别的输出
2）FC2：作为整个物体位置数值的输出

在这里插入图片描述
假设有10个类别，输出[p1,p2,p3,…,p10]，然后输出这一个对象的四个位置信息[x,y,w,h]。同理知道要网络输出什么，如何衡量整个网络的损失

对于分类的概率，还是使用交叉熵损失
位置信息具体的数值，可使用MSE均方误差损失（L2损失）

如下图所示

在这里插入图片描述
位置数值的处理：

对于输出的位置信息是四个比较大的像素大小值，在回归的时候不适合。目前统一的做法是，每个位置除以图片本身像素大小。

假设以中心坐标方式，那么x = x/x_image,y/y_image, w/x_image,h/y_image,也就是这几个点最后都变成了0~1之间的值（归一化）。

参考：
https://www.cnblogs.com/kongweisi/p/10894415.html

本文链接：https://blog.csdn.net/AugustMe/article/details/107778518

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

STM32外部中断详解_深度思索的博客-程序员秘密

一、基本概念 ARM Coetex-M3内核共支持256个中断，其中16个内部中断，240个外部中断和可编程的256级中断优先级的设置。STM32目前支持的中断共84个（16个内部+68个外部），还有16级可编程的中断优先级的设置，仅使用中断优先级设置8bit中的高4位。 STM32可支持68个中断通道，已经固定分配给相应的外部设备，每个中断通道都具备自己的中断优先级控制字节PRI

Android FileProvider 部分总结_Eric_Bang的博客-程序员秘密

由于 Android 7.0 或更高版本的系统在国内手机市场上的占比不是很高，很多 Android 开发人员并没有做 7.0 适配工作，同时测试人员也容易忽视这...

【Activiti】PersistenceException，MySQLSyntaxErrorException，order by RES.ID_ asc LIMIT 1 OFFSET 0_陶洲川的博客-程序员秘密

一、问题1.1、环境电脑环境：Windows 10；开发工具：Eclipse 4.6.3；数据库环境：Oracle 11g；JDK环境: Jdk1.8；Maven环境：Maven3.5.0；GIT版本：Version 2.48.02;Docker版本：Server Version: 19.03.31.2、问题启动activiti测试时，报错，报错内容如下："C:\Progra...

web应用缓存实践_weixin_33831196的博客-程序员秘密

在当今互联网应用中，缓存作为一把尖刀利器对应用的性能起着举足轻重的作用。缓存的使用可以说无处不在，从应用请求的访问路径来看，用户user -> 浏览器缓存 -> 反向代理缓存-> WEB服务器缓存 -> 应用程序缓存 -> 数据库缓存等，几乎每条链路都充斥着缓存的使用，当然交换机，网络适配器，硬盘上也有Cache 但这不是我...

java日期类_程序员正正的博客-程序员秘密

日期类第一代日期类Date:精确到毫秒，代表特定的瞬间SimpleDateFormat:格式和解析日期的类SimpleDateFormat格式化和解析日期的具体类。它允许进行格式化(日期->文本)、解析(文本->日期)和规范化.package www.xz.date_;import java.text.ParseException;import java.text.SimpleDateFormat;import java.util.Date;/** * @aut

win 7 关闭 ipv6_weixin_33811539的博客-程序员秘密

　　我们只用使用以下3条命令把IPv6的接口关闭即可　　netsh interface teredo set state disable　　netsh interface 6to4 set state disabled　　netsh interface isatap set state disabled　　若想还原IPv6隧道则用以下命令:　　nets...