目标检测：介绍及传统方法-FlyAI

目标检测：介绍及传统方法

相似度检测

最后更新 2020-08-18 16:53 阅读 4060

最后更新 2020-08-18 16:53

阅读 4060

相似度检测

计算机视觉中关于图像识别有四大类任务：

1. 分类-Classification：解决"是什么？"的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。
2. 定位-Location：解决"在哪里？"的问题，即定位出这个目标的的位置。
3. 检测-Detection：解决"是什么？在哪里？"的问题，即定位出这个目标的的位置并且知道目标物是什么。
4. 分割-Segmentation：分为实例的分割（Instance-level）和场景分割（Scene-level），解决"每一个像素属于哪个目标物或场景"的问题。

###一、目标检测常见算法
除了图像分类之外，目标检测要解决的核心问题是：

1.目标可能出现在图像的任何位置。

2.目标有各种不同的大小。

3.目标可能有各种不同的形状。

如果用矩形框来定义目标，则矩形有不同的宽高比。由于目标的宽高比不同，因此采用经典的滑动窗口+图像缩放的方案解决通用目标检测问题的成本太高。

目前学术和工业界出现的目标检测算法分成3类：

1. 传统的目标检测算法：Cascade + HOG/DPM + Haar/SVM以及上述方法的诸多改进、优化；

2. 候选区域/窗 + 深度学习分类：通过提取候选区域，并对相应区域进行以深度学习方法为主的分类的方案，如：

R-CNN（Selective Search + CNN + SVM）

SPP-net（ROI Pooling）

Fast R-CNN（Selective Search + CNN + ROI）

Faster R-CNN（RPN + CNN + ROI）

R-FCN等系列方法；

3. 基于深度学习的回归方法：YOLO/SSD/DenseBox 等方法；以及最近出现的结合RNN算法的RRC detection；结合DPM的Deformable CNN等
![](https://img2020.cnblogs.com/blog/1704791/202005/1704791-20200504093428925-88984317.png)
![](https://img2020.cnblogs.com/blog/1704791/202005/1704791-20200504093429635-2058233757.jpg)

传统目标检测流程：

1. 区域选择（穷举策略：采用滑动窗口，且设置不同的大小，不同的长宽比对图像进行遍历，时间复杂度高）

2. 特征提取（SIFT、HOG等；形态多样性、光照变化多样性、背景多样性使得特征鲁棒性差）

3. 分类器分类（主要有SVM、Adaboost等）

###二、传统的目标检测算法
**2.1 图像识别的任务**
这里有一个图像任务：既要把图中的物体识别出来，又要用方框框出它的位置。
![](https://img2020.cnblogs.com/blog/1704791/202005/1704791-20200504093430100-1219715949.jpg)
这个任务本质上就是这两个问题：一：图像识别，二：定位。

1.图像识别（classification）：

输入：图片

输出：物体的类别

评估方法：准确率

2.定位（localization）：

输入：图片

输出：方框在图片中的位置（x,y,w,h）

评估方法：检测评价函数 intersection-over-union（简单来讲就是模型产生的目标窗口和原来标记窗口的交叠率）。
![](https://img2020.cnblogs.com/blog/1704791/202005/1704791-20200504093430473-1690708737.png)
卷积神经网络CNN已经帮我们完成了图像识别（判定是猫还是狗）的任务，我们只需要添加一些额外的功能来完成定位任务即可。定位的问题的解决思路有哪些？
####思路一：看做回归问题
看做回归问题，我们需要预测出（x,y,w,h）四个参数的值，从而得出方框的位置。
![](https://img2020.cnblogs.com/blog/1704791/202005/1704791-20200504093430964-479005942.png)
步骤1:

• 先解决简单问题， 搭一个识别图像的神经网络

• 在AlexNet VGG GoogleLenet上fine-tuning一下：
![](https://img2020.cnblogs.com/blog/1704791/202005/1704791-20200504093431365-871456794.jpg)
步骤2:

• 在上述神经网络的尾部展开（也就说CNN前面保持不变，我们对CNN的结尾处作出改进：加了两个头："分类头"和"回归头"）

• 成为classification + regression模式
![](https://img2020.cnblogs.com/blog/1704791/202005/1704791-20200504093431753-1959600605.png)
步骤3:

• Regression那个部分用欧氏距离损失

• 使用SGD训练

步骤4:

• 预测阶段把2个头部拼上

• 完成不同的功能

这里需要进行两次fine-tuning

第一次在ALexNet上做，第二次将头部改成regression head，前面不变，做一次fine-tuning

Regression的部分加在哪？

有两种处理方法：

• 加在最后一个卷积层后面（如VGG）

• 加在最后一个全连接层后面（如R-CNN）

regression太难做了，应想方设法转换为classification问题。

regression的训练参数收敛的时间要长得多，所以上面的网络采取了用classification的网络来计算出网络共同部分的连接权值。

####思路二：取图像窗口

• 还是刚才的classification + regression思路

• 咱们取不同的大小的"框"

• 让框出现在不同的位置，得出这个框的判定得分

• 取得分最高的那个框
![](https://img2020.cnblogs.com/blog/1704791/202005/1704791-20200504093432541-2123008214.png)
根据得分的高低，我们选择了右下角的黑框作为目标位置的预测。

注：有的时候也会选择得分最高的两个框，然后取两框的交集作为最终的位置预测。

疑惑：框要取多大？

取不同的框，依次从左上角扫到右下角。非常粗暴啊。

总结一下思路：

对一张图片，用各种大小的框（遍历整张图片）将图片截取出来，输入到CNN，然后CNN会输出这个框的得分（classification）以及这个框图片对应的x,y,h,w（regression）。
![](https://img2020.cnblogs.com/blog/1704791/202005/1704791-20200504093433052-1094381851.jpg)
这方法实在太耗时间了，做个优化。原来网络是这样的：
![](https://img2020.cnblogs.com/blog/1704791/202005/1704791-20200504093433415-835558474.jpg)
优化成这样：把全连接层改为卷积层，这样可以提提速。
![](https://img2020.cnblogs.com/blog/1704791/202005/1704791-20200504093433749-2140214852.jpg)
####2.2 物体检测（Object Detection）
当图像有很多物体怎么办的？那任务就变成了：多物体识别+定位多个物体。那把这个任务看做分类问题？
![](https://img2020.cnblogs.com/blog/1704791/202005/1704791-20200504093434118-371032886.jpg)
看成分类问题有何不妥？

• 你需要找很多位置， 给很多个不同大小的框

• 你还需要对框内的图像分类

• 当然， 如果你的GPU很强大， 恩， 那加油做吧…

###三、传统目标检测的主要问题
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

以下是各种选定候选框的方法的性能对比。
![](https://img2020.cnblogs.com/blog/1704791/202005/1704791-20200504093434572-1332918305.jpg)
###四、评价指标
![](https://img2020.cnblogs.com/blog/1704791/202005/1704791-20200504093434958-556128858.png)
**AP、mAP、P-R曲线**
![](https://img2020.cnblogs.com/blog/1704791/202005/1704791-20200504093435418-1719549832.png)
**准确率-召回率曲线（P-R曲线）：**以召回率为横坐标，精确率为纵坐标，用不同的阀值，统计出一组不同阀值下的精确率和召回率。
![](https://img2020.cnblogs.com/blog/1704791/202005/1704791-20200504093436057-1111732396.png)
AP(average precision)——P-R曲线下的面积；

mAP(mean average precision)——多个类别AP的平均值。

ROC曲线、AUC

ROC曲线：用不同的阀值，统计出一组不同阀值下的TPR（真阳率）和FPR（假阳率）的关系。

AUC(Area Under Curve)：ROC曲线下的面积。

ROC曲线优点：当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。在实际的数据集中经常会出现类不平衡（class imbalance）现象，即负样本比正样本多很多（或者相反），而且测试数据中的正负样本的分布也可能随着时间变化。

IOU(Intersection over Union)：是一种测量在特定数据集中检测相应物体准确度的一个标准，一般来说，这个score ＞ 0.5 就可以被认为一个不错的结果了。
![](https://img2020.cnblogs.com/blog/1704791/202005/1704791-20200504093436589-154291716.png)
Fps (Frames Per Second)：每秒处理图像的帧数

FLOPS：每秒浮点运算次数、每秒峰值速度

主要来自：https://blog.csdn.net/v_JULY_v/article/details/80170182

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可，转载请附上原文出处链接和本声明。
本文链接地址：https://flyai.com/article/665

讨论

500字

表情

发送

删除确认

是否删除该条评论？

取消删除