转载 目标检测基础知识 别点进来

转载from：https://blog.csdn.net/attitude_yu/article/details/80727122

1.目标检测

  “目标检测”主要解决两个问题：图像上多个目标在哪里（位置），是什么（类别）

人们一般把其发展历程分为3个阶段： 

  a.传统的目标检测方法 

  b.两阶段检测器

  以R-CNN为代表的结合region proposal和CNN分类的目标检测框架(R-CNN, SPP-NET, Fast R-CNN,Faster R-CNN, R-FCN)

  c. 单阶段检测器

    以YOLO为代表的将目标检测转换为回归问题的端到端（End-to-End）的目标检测框架(YOLO, SSD)

2.常用数据集

Pascal VOC 2012、PascalVOC 2007、ILSVRC 2012

ILSVRC 2012样本集上仅有图像类别标签，没有图像物体位置标注；

PASCAL VOC 2007样本集上既有图像中物体类别标签，也有图像中物体位置标签；

3.有监督预训练

  也称之为迁移学习，举例说明：若有大量标注信息的人脸年龄分类的正负样本图片，利用样本训练了CNN网络用于人脸年龄识别；现在要通过人脸进行性别识别，那么就可以去掉已经训练好的人脸年龄识别网络CNN的最后一层或几层，换成所需要的分类层，前面层的网络参数直接使用为初始化参数，修改层的网络参数随机初始化，再利用人脸性别分类的正负样本图片进行训练，得到人脸性别识别网络，这种方法就叫做有监督预训练。

  这种方式可以很好地解决小样本数据无法训练深层CNN网络的问题，我们都知道小样本数据训练很容易造成网络过拟合，但是在大样本训练后利用其参数初始化网络可以很好地训练小样本，这解决了小样本训练的难题。

4. Selective Search算法

  首先利用图像分割的方法得到一些原始区域，然后使用一些合并策略将这些区域合并，得到一个层次化的区域结构，而这些结构就包含着可能需要的物体。

5. 感受野

  在卷积神经网络CNN中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称作感受野(receptivefield)。感受野是CNN中feature map上的一个点对应输入图上的区域。

6. 模型的评价指标

准确率

准确率是所有样本分类正确的概率

acc = (TP+TN)/N

Recall(召回率、查全率)

召回率是从数据集的同一标签的样本抽样概率

R = TP/(TP+FN) = 所有真正类样本中正类的概率

Precision(精确率、查准率)

精确率是从已经预测为同一类别的样本抽样概率

P = TP/(TP+FP) = 所有预测为正类样本中正类的概率

对于图片数据集的目标检测模型评估可参考博客：https://blog.csdn.net/attitude_yu/article/details/80357735

调和均值F1

2/调和均值 = 1/精确率+1/召回率

2/F1 = 1/P + 1/R

F1 = 2*TP/(2*TP+FP+FN)

ROC曲线(receiver operating characteristic curve受试者工作特性曲线)

横坐标为TP(正类->正类)，纵坐标为FP(负类->正类)

P-R曲线(precision-recall)

横坐标为召回率，纵坐标为精确率

AUC(area uder the curve曲线下的面积)

ROC曲线下的面积，面积越大，这分类准确率越高

AP(单个类别的平均精度)

计算平均的检测精度，用于衡量检测器在每个类别上的性能好坏

mAP(平均多个类别的平均精度)

用于评价多目标的检测器性能，衡量检测器在所有类别上的性能好坏，即得到每个类别的AP值后再取所有类别的平均值

mAP = 所有类别的AP之和/类别数量

P = (一张图片类别C识别正确数量)/(一张图片类别C的总数量)

AP = 每张图片的P之和/图片数量

7. 端到端(end-to-end)

一端输入原始图像，另一端输出预测结果

8. Anchors

  共享卷积层的最后一层大小为W×H特征图上，每个3x3滑动窗口对应于原图上k种不同长宽比例、不同面积区域的卷积与池化。这k种原图区域中心点和滑动窗口的中心点是一样的。也就是说，通过滑动窗口和k个不同长宽比例、不同面积的anchor，可以逆向推导出 W*H*k 在原始图片上的proposal。reg层具有W*H*4*k个输出，即W*H*k个框的坐标，并且cls层输出W*H*2*k个预测得分，其估计每个建议框是目标或不是的概率。

9.非极大值抑制

  使用极大概率的候选框抑制其它位置相近的候选框。如果有两个框重叠的部分比较多，就把概率低的剔除掉。

a.从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值

b.假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，保留下来

c.从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E是保留下来的第二个矩形框

d.一直重复这个过程，直到所有被保留下来的候选框(有可能存在同一类别的多个目标)

10.Intersection of Union(IoU)

IoU=(A∩B)/(A∪B)

11.边框回归

框的表示使用四维向量表示(x,y,w,h)，基于预测框和真实框而通过所学习的关系，使预测框经过映射得到一个跟真实框更加接近的回归窗口。

a.经过真实框和预测框计算得到的需要的平移量(tx,ty)(tx,ty)和尺度缩放(tw,th)(tw,th)： 

b.根据所求变换关系的目标函数，获得最优化问题：

c.在学习这些变换关系函数后，通过应用变换将预测框转换为预测的接近真实框的预测框：

12. ROI Pooling Layer

  特征图上的每一个RoI都由一个四元组（r,c,h,w）表示，其中（r，c）表示左上角，而（h，w）则代表高度和宽度。RoI 最大池化将每个候选区域均匀分成 H × W 块，每块是将 h×w RoI窗口划分为 h / H × w /W的子窗口网格，然后将每个子窗口中的值max pooling到相应的输出网格单元。从而将特征图上大小不一的RoI区域转化成固定大小的 H*W 的特征图，送入下一层。