目标跟踪图像识别的解决方案----深度学习

最近因为面试，看了一些图像识别目标跟踪的东西，希望记录下来。如有错漏欢迎指正。

深度学习出来之前，目标跟踪和图像识别方面基本上都是被传统图像处理算法统治的，传统算法比如sift ，surf，基于帧间差分的滤波器，等等。2012年，Alexnet横空出世，直到resnet15年拿下了imagenet的图像识别类目冠军，错误率降低到3.57%，深度学习开始出现在媒体和工业界面前。

12年到15年是卷积神经网络（CNN）快速发展的4年，然而16年GANS大火以后，深度学习几乎没有什么亮眼的创新了，深度学习开始进入了工业界的大规模铺陈阶段。

下面进入正题，说一下深度学习在图像识别和目标检测方面的应用。

（补充：hinton17年提出了新的capsule模型，据说不错，还没有工业化，回头得看看）

1.一些概念框架。

图像识别的工业场景比如：人脸识别，车牌识别，指纹识别，医疗界也有做肿瘤的生化图片的诊断的。

图像识别任务有（1）目标分割（target segmentation）、（2）目标识别（target recognition）、（3）目标检测（target detection）、（4）目标追踪（target tracing）。

简述一下（2）（3）（4）：

（2）目标识别，是一个分类问题，在给定数据中，分类出哪些sample是目标，哪些不是。比如肿瘤识别如果用目标识别来做，思路就是这张生化图片里，是不是有肿瘤组织，label是 有（1）或者没有（0）。参考链接：https://www.zhihu.com/question/36500536/answer/67939194

解决方案除了CNN，当然是首推ImageNet得奖的网络：Alexnet，vgg，resnet等等。

（3）目标检测，比分类多了一个要求，是需要标记出目标的位置，比如美图软件里，会定位一下嘴唇，眼睛在照片里的位置，然后再进行下一步的美化。

深度学习相关的目标检测方法也可以大致分为两派：

1.  基于区域提名（region proposal）的，如R-CNN、SPP-net、Fast R-CNN、Faster R-CNN、R-FCN；

2. 端到端（End-to-End），无需区域提名的，如YOLO、SSD。

（4）目标追踪，比检测又多了一个要求，需要预测目标的下一刻的位置，或者在上一帧的基础上，对下一时刻（下一帧）对目标快速再定位。目前建立运动模型再预测，用到的都不是深度学习的内容。这里就不展开了。

写到目标检测，可能大多数的工业应用就都是在视频上了。

视频上目标检测与图像上目标检测的不同点在于：https://www.zhihu.com/question/52185576/answer/163435616

2.一些实现方案的总结

图像识别的应用场景，除了路边监控，面部识别密码锁、车载系统（行车记录仪，自动驾驶）-------实时性要求高，有脐带电源，或者医疗图像识别-----------实时性要求低，还有无人机这种实时性要求高，对功耗也有要求的场合。这就需要深度学习框架足够精简，且有软件支持。

目前在移动端上部署深度学习框架的方案有online和offline两种，下面是offline的一些方法：

1.跑阉割版的算法，功耗低，这时的精度就会随之下降。

2.做成深度定制的硬件，比如FPGA，速度和功耗都能得到保障，但是成本高。

3.在功耗要求不是特别严格的情况下，移植TensorFlow、caffe等等，这里是一个TensorFlow 在安卓上部署的例子：

https://link.zhihu.com/?target=https%3A//github.com/tensorflow/tensorflow/tree/master/tensorflow/examples/android

4.有听过在系统层写cuda代码的……