计算机视觉（十六）：目标检测概述

1 什么是目标检测

目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置。

例子：确定某张给定图像中是否存在给定类别（比如人、车、自行车、狗和猫）的目标实例；如果存在，就返回每个目标实例的空间位置和覆盖范围。作为图像理解和计算机视觉的基石，目标检测是解决分割、场景理解、目标追踪、图像描述、事件检测和活动识别等更复杂更高层次的视觉任务的基础。

目标检测的应用场景：

目标检测具有巨大的实用价值和应用前景。

• 应用领域包括人脸检测、行人检测、车辆检测、卫星图像中道路的检测、车载摄像机图像中的障碍物检测、医学影像在的病灶检测等。
• 应用场景包括长/视频领域、医学场景、安防领域、自动驾驶等等众多领域

行人车辆检测：

多人脸的检测：

目标检测的实用价值

这里我们举一些使用的场景

• 在视频中去进行检测明星人物，检测出某明星的视频只看他的视频。类似在爱奇艺中的只看他功能快速筛选仅有明星出现的片段。

2 目标检测算法介绍

下面这张图代表了目标检测算法的发展历史（基于深度学习），其中红色部分是影响较大的算法论文。是需要着重了解的。

算法分类

• 两步走的目标检测： 先进行区域推荐，而后进行目标分类

  包含一个用于区域提议的预处理步骤，使得整体流程是两级式的。代表：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN和R-FCN等

• 端到端的目标检测： 直接在网络中提取特征来预测物体分类和位置

  即无区域提议的框架，这是一种单独提出的方法，不会将检测提议分开，使得整个流程是单级式的。代表：OverFeat、YOLOv1、YOLOv2、YOLOv3、SSD和RetinaNet等

几种类别结构的形式如下：

算法效果对比

因为对比角度有很多，性能和准确度，性能方面不好比较，涉及到使用的CPU和GPU的区别。不同算法当时实验环境不一样。这里进行了准确度的比较

论文在常见数据集中的测试效果：

Detector	VOC07 (mAP@IoU=0.5)	VOC12 (mAP@IoU=0.5)	COCO (mAP@IoU=0.5:0.95)	Published In
R-CNN	58.5	-	-	CVPR’14
SPP-Net	59.2	-	-	ECCV’14
MR-CNN	78.2 (07+12)	73.9 (07+12)	-	ICCV’15
Fast R-CNN	70.0 (07+12)	68.4 (07++12)	19.7	ICCV’15
Faster R-CNN	73.2 (07+12)	70.4 (07++12)	21.9	NIPS’15
YOLO v1	66.4 (07+12)	57.9 (07++12)	-	CVPR’16
G-CNN	66.8	66.4 (07+12)	-	CVPR’16
AZNet	70.4	-	22.3	CVPR’16
ION	80.1	77.9	33.1	CVPR’16
HyperNet	76.3 (07+12)	71.4 (07++12)	-	CVPR’16
OHEM	78.9 (07+12)	76.3 (07++12)	22.4	CVPR’16
MPN	-	-	33.2	BMVC’16
SSD 76.8	(07+12)	74.9 (07++12)	31.2	ECCV’16
GBDNet	77.2 (07+12)	-	27.0	ECCV’16
CPF	76.4 (07+12)	72.6 (07++12)	-	ECCV’16
R-FCN	79.5 (07+12)	77.6 (07++12)	29.9	NIPS’16
DeepID-Net	69.0	-	-	PAMI’16
NoC	71.6 (07+12)	68.8 (07+12)	27.2	TPAMI’16
DSSD	81.5 (07+12)	80.0 (07++12)	33.2	arXiv’17
TDM	-	-	37.3	CVPR’17
FPN	-	-	36.2	CVPR’17
YOLO v2	78.6 (07+12)	73.4 (07++12)	-	CVPR’17
RON	77.6 (07+12)	75.4 (07++12)	27.4	CVPR’17
DeNet	77.1 (07+12)	73.9 (07++12)	33.8	ICCV’17
CoupleNet	82.7 (07+12)	80.4 (07++12)	34.4	ICCV’17
RetinaNet	-	-	39.1	ICCV’17
DSOD	77.7 (07+12)	76.3 (07++12)	-	ICCV’17
SMN	70.0	-	-	ICCV’17
Light-Head R-CNN	-	-	41.5	arXiv’17
YOLO v3	-	-	33.0	arXiv’18
SIN	76.0 (07+12)	73.1 (07++12)	23.2	CVPR’18
STDN	80.9 (07+12)	-	-	CVPR’18
RefineDet	83.8 (07+12)	83.5 (07++12)	41.8	CVPR’18
SNIP	-	-	45.7	CVPR’18
Relation-Network	-	-	32.5	CVPR’18
Cascade R-CNN	-	-	42.8	CVPR’18
MLKP	80.6 (07+12)	77.2 (07++12)	28.6	CVPR’18
Fitness-NMS	-	-	41.8	CVPR’18
RFBNet	82.2 (07+12)	-	-	ECCV’18
CornerNet	-	-	42.1	ECCV’18
PFPNet	84.1 (07+12)	83.7 (07++12)	39.4	ECCV’18
Pelee	70.9 (07+12)	-	-	NIPS’18
HKRM	78.8 (07+12)	-	37.8	NIPS’18
M2Det	-	-	44.2	AAAI’19
R-DAD	81.2 (07++12)	82.0 (07++12)	43.1	AAAI’19

3 目标检测的任务

分类的任务回顾

分类的损失与优化

在训练的时候需要计算每个样本的损失，那么CNN做分类的时候使用softmax函数计算结果，损失为交叉熵损失

常见CNN模型

对于目标检测来说不仅仅是分类这样简单的一个图片输出一个结果，而且还需要输出图片中目标的位置信息，所以从分类到检测，如下图标记了过程:

• 分类
  
• 目标检测
  
  输出结果对比

其中我们得出来的(x,y,w,h)有一个专业的名词，叫做bounding box(bbox)

物体位置：

• x, y, w,h：物体的中心点位置，以及中心点距离物体两边的长宽
• xmin, ymin, xmax, ymax：物体位置的左上角、右下角坐标

4 目标定位的简单实现思路

在分类的时候我们直接输出各个类别的概率，如果再加上定位的话，我们可以考虑在网络的最后输出加上位置信息。下面我们考虑图中只有一个物体的检测时候，我们可以有以下方法去进行训练我们的模型

4.1 回归位置

增加一个全连接层，即为FC1、FC2

• FC1：作为类别的输出
• FC2：作为这个物体位置数值的输出

假设有10个类别，输出[p1,p2,p3,…,p10]，然后输出这一个对象的四个位置信息[x,y,w,h]。同理知道要网络输出什么，如果衡量整个网络的损失

• 对于分类的概率，还是使用交叉熵损失
• 位置信息具体的数值，可使用MSE均方误差损失（L2损失）

如下图所示

4.2 两种Bounding box名称

在目标检测当中，对bbox主要由两种类别。

• Ground-truth bounding box：图片当中真实标记的框
• Predicted bounding box：预测的时候标记的框

一般在目标检测当中，我们预测的框有可能很多个，真实框GT也有很多个。

目标检测在很多领域都有应用需求，包括人脸检测，行人检测，车辆检测以及遥感影像中的重要地物检测等。

人脸检测： 人脸检测是人脸识别应用中重要的一个环节，主要用于确定人脸在图像中的大小和位置，即解决“人脸在哪里”的问题，把真正的人脸区域从图像中裁剪出来，便于后续的人脸特征分析和识
别。

行人检测： 行人检测具有极其广泛的应用：智能辅助驾驶，智能监控，行人分析以及智能机器人等领域。此外，其在视频监控，人流量统计，自动驾驶中都有重要的地位。特征提取、形变处理、遮挡处理、分类是四个行人检测中的重要部分。

车辆检测： 车辆检测在智能交通，视频监控，自动驾驶中有重要的地位。车流量统计，车辆违章的自动分析等都离不开它，在自动驾驶中，首先要解决的问题就是确定道路在哪里，周围有哪些车、人或障碍物。

此外，交通标志如交通灯、行驶规则标志的识别对于自动驾驶也非常重要，我们需要根据红绿灯状态，是否允许左右转、掉头等标志确定车辆的行为。同时，医学影像图像如MRI的肿瘤等病变部位检测和识别对于诊断的自动化，提供优质的治疗具有重要的意义。还有工业中材质表面的缺陷检测，硬刷电路板表面的缺陷检测等。