目标检测 综述

目录

滑动窗口--Sliding Window

PASXAL VOC

评估标准

mAP

IOU 

---

常用的数据集

PASCAL VOC

PASCAL VOC--Pattern Analysisi Stattistical Modelling and Computational Learning, Visual Object Classes。名字真长~！~。它是有一套评估图像分类，检测，分割和人体姿势。跟多的用于检测，它包括4大类，20个所属类。

CUB_200_2011与CUB_200_2010

小型数据集，里面有200种鸟类相关内容。可以用来分类训练。

 

目标检测的方法历史

下面讲的是以cnn为基础的，目标检测--Object Detrection。

目标去检测性能的评估标准，预测的结果是否为目标--mPA(mean Average Precision)；预测框与人工标记框的重合率IOU(Intersection Over Union)。

滑动窗口--Sliding Window

思路：（A）需要一个应景训练好的分类器；(B)把图像那招一定间隔和不同的大小分成若干个窗口；（C）最后在这西窗口上进行执行分类器，得到分类较高的分数，就认为检测到物体;（D）把分类分数排序，做比如非极大值抑制（Non-Maximum Supperssion,NMS）,得到物体类别即所在图中区域。

优点：简单

缺点：耗时；对分类器的准确性依赖很严重；对分类器训练的材料要求高，不能有目标物体缺损。

所以用滑动窗口就不太现实，常见的是小型分类网络和滑动窗口法集合应用。下面是一个应用的论文。为了方便下载，我提供了论文的DOI。

Dan C Cireşan, Giusti A , Gambardella L M , et al. 
Mitosis Detection in Breast Cancer Histology Images with Deep Neural Networks[C]
// International Conference on Medical Image Computing and Computer-Assisted Intervention.
2013.
DOI：10.1007/978-3-642-40763-5_51 

Selective Search

这种算法是在滑动窗口上的升级。滑动窗口在图像上检测目标的时候，会有很大部分为不存在物体的区域，这种算法实在最后可能的区域进行搜索，从而提升准确率。

思路：存在物体的区域都应存在某种相似性或者连通性的区域，超像素（正常像素点间，虚拟出很多点）合并思路。步骤如下（A）分割图片，生成很多的小区域，看作超像素（B）然后根据区域相似性来合并图像，标准主要有颜色，大小，纹理等。不断地叠加合并为大区域的过程，最后整张图会合并成一个区域。其中每个区域都有外切矩形框起来，得到目标框，叫做Region Proposal。

优点：快，有目地性，更加准确。下面是论文，同样提供了DOI。

Uijlings J R R , K. E. A. van de Sande…. 
Selective Search for Object Recognition[J]. 
International Journal of Computer Vision, 2013, 104(2):154-171.
DOI：10.1007/s11263-013-0620-5 

SPP

spp，spatial pyramid pooling空间图像金字塔池。

思路：对整张图执行一次卷积的前向运算，得到最后一层的激活相图；通过某方式把·目标物体所在的区域部分的相应图拿出来，交给分类器。

这个是he kaiming研发的。他比rcnn在速度上得到巨大提升，但是继承了他的缺点，就是分段。

Fast rcnn

针对SPP这个问题，rcnn作者提出改进的方法，提取ROI特征后，把物体框的回归和分类两个任务的loss融合在一起。把SPP换成ROI池，

Faster R-CNN

r-cnn，Region-based Convolutional Neural Networks。他是通过Selective Search检测，CNN提取特征，然后分类出目标。比较常见的模型，faster r-cnn和mask r-cnn等等都是他的引深。当然Selective Search不一定准确，还要经过回归处理，修正他。

f

Girshick R , Donahue J , Darrell T , et al. 
Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[C]
// 2014 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE Computer Society, 
2014.

DOI：10.1109/CVPR.2014.81 

YOLO

yolo，you only look once。他是非基于Region Proposal。他的速度非常快，可以达到实时监测。

思想：把一个图片分成NxN的格子，以每个所在的位置和对应的内容为基础，来预测。

1、物体框。包括格子中心坐标center_x，center_y和框的bound_w，bound_h。每个格子预测B个物体框。

2、每个物体框是否有物体的置信度，如果包含预测物体，则用UoI来表示，如果没有，则用0.

3、每个格子预测出C个类别的概率分数，只与格子有关，与B物体框无关

输出的信息维度Bx(4+1)+C，得到的预测张量为NxNx(5B+C)。这里也就能看出来为什么yolo叫做one-step。他把目标检测转化为cnn，它可以做到实时检测目标。精度上没有rcnn高。

SSD

SSD，single shot multdetector。他同时借鉴了faster-rcnn和yolo两种思想。同样可以达到实时的水平和高准确率。

思路，他和yolo有点像一样，在卷积的最后的阶段得到一个NxN的感应区，然后和faster-rcnn一样借鉴anchor box的思想生成默认物体框。他没有Region Proosal+ ROI结合，他也是single shot和yolo一样。

与yolo相比，从一个分辨率大的图开始，逐渐得到一个分辨率小的图（图像金字塔），每个低分辨率都会得到分类树和物体框，也就是的打不通感应区的图像信息。

具体步骤如下：

1、把一个高分辨率的图分割，得到NxN的感应图

2、这组相应图的每个像素产生类似anchor box的k个默认物体框

3、其中每个框的大小和位置的修正量对应4个数值，每个框内物体所属类别对应C个数值。

4、可以用通道为k（C+4）的卷积得到预测框和结果。

发明这个人的作者在论文做了很多工作，进行对比性能。

unet

unet的名是因为他的网络形状，他的形状是个U型。

评估标准·

mAP

mAP叫做平均精度均值，其中AP(Average-Precision)的意思为精度P-召回R曲线的面积，AP也是P-R的一个指标。越好的分类器，AP值越高。mAP就是把每个类别的AP单独拿出来，然后计算他们的和平均值，这个值就代表检测目标的综合评价。

IOU 

用来衡量预测框与人工标记框的重合率，计算的公式：

Ap预测的图像框，Am人为框选的图像框。

在使用的时候，会预先设置阈值，当结果大于这个阈值，就是有效的目标。这种方法虽然简单，有时候并不合理，我们可以考虑一些极端的结果，比如说分辨率极高图。

损失函数

关于分类的

 

关于定位的