深度学习计算机视觉从入门到精通——目标检测技术经典算法讲解

本篇文章：深度学习计算机视觉从入门到精通——目标检测技术经典算法讲解
接上一篇：《深度学习计算机视觉从入门到精通——目标检测技术及常用数据集》
文章链接：https://blog.csdn.net/weixin_44532659/article/details/104989643

一、目标检测技术经典算法讲解

经典算法讲解——RCNN

Selective Search

经典算法讲解——Fast RCNN

ROI Polling

经典算法讲解——Faster RCNN
Region Proposal Network

经典算法讲解——You Only Look Once（YOLO）
Region Proposal Network


输出向量大小为SS(B*5+C)，例如7×7×(2×5+20)
S：网格的长或宽
B：每个网格需要负责的box
C：每个网格属于各个类别的分数

经典算法讲解——Single Shot MultiBox Detector（SSD）

经典算法讲解——Single Shot MultiBox Detector（SSD）

二、代码详解

代码详解——SSD

代码地址：https://github.com/gliese581gg/YOLO_tensorflow

代码地址：https://github.com/gliese581gg/YOLO_tensorflow

三、深度实战

深度实战——实际遇到的问题

目标检测技术在数据标注中，被应用广泛。如以下任务：

1、检测出图像内的人头
问题：目标大小不均，尺寸差距较大
实例：图像内人头计数
任务：检测出图像内的人头
难点：人在图像中由远到近，尺寸大小分布范围较大

解决方案：加入多尺度特征融合

2、 问题：正样本的检测容易被负样本干扰

解决方案：优化数据集
制作干扰因素较少的数据集
对有干扰的区域进行脱敏，例如在检测手部的时候需要进行脸部脱敏
增加训练集，以增强网络对负样本的抵抗力

数据集推荐：

559,460段50种动态手势识别数据
559,460段50种动态手势识别数据。采集场景分为室内和室外。数据涵盖男性女性，年龄分布为少年到老年，以少年和青年为主 。数据包括多种场景、多角度、左右手势变化、正反变化、旋转变化等。数据可用于智能家居、音响设备、车载系统等任务。

423人34,748张3D人体实例分割及人体22关键点 & 2D手势识别采集标注数据
数据采集要求包含多场景、多光照条件、不同角度、不同距离、多种附属物（包、扇子、玩具等）。在标注方面标注人体实例分割、人体22关键点（可见、不可见）、手势包围框（斜矩形框）等信息 。可用于人体实例分割，人体关键点定位，手势识别等任务。

314,178张18种手势识别数据
314,178张18种手势识别数据。该数据通过实地采集了不同年龄段的中国人在不同光照、场景下手势左右、正反、旋转变化等。该数据包括娱乐手势和数字手势，共18种。已标注手势21关键点、手势属性，可用于手势识别、人机交互、直播互动等任务。

183,997张手语手势关键点数据
183997张手语手势关键点数据。数据的人员总数为100人，男女比例约为1:1，年龄段分布为12-50岁。数据包括41种静态手势，95种动态手势 。在标注方面，对手势进行21关键点标注。数据可用于手势识别，手势关键点定位等任务。

3、问题：框贴合度不够
解决方案：堆叠式训练

Cascade R-CNN：https://arxiv.org/pdf/1712.00726.pdf

深度实战——算法层面的问题

1、问题：对于单阶段算法，正负样本极度不均衡，导致准确率较低
解决方案：Focal loss增加正样本的学习权重

Focal loss：https://arxiv.org/pdf/1708.02002.pdf

2、问题：对于双阶段算法，特征提取以及ROI Pooling均存在量化数值的操作，这样会使结果出现偏差

Mask RCNN：https://arxiv.org/pdf/1703.06870.pdf

解决方案：利用双线性插值寻找像素值

Mask RCNN：https://arxiv.org/pdf/1703.06870.pdf

本文内容来自：数据堂人工智能实验室
分享者：赵世智
如需文章ppt，可私信获取。